智能建模方法研究

李文婷

（山西工程职业技术学院，山西 太原 030009）

1 引言

建模工作的基本任务是构造一个数学模型，用以模拟系统的行为特征，并且以数据文件的形式表示出来，便于使用结构分析软件进行计算控制。复杂系统规模庞大，缺少足够的专业领域先验知识，且具有一定的非线性和不确定性，难以用传统的辨识和分析方法进行精确描述[1]，给建模带来了困难。智能建模方法一般是模拟和学习生物的智能，包括对人类的生理、思维方式的模拟和具有群体智能特征的智能实现模式。智能建模方法给复杂系统的建模提供了一种新的方法。本文首先介绍了人工神经网络和模糊逻辑建模法及其优缺点，然后讨论遗传算法和粒子群算法在建模中的组合使用，最后指出智能建模方法的研究趋势。

2 智能建模方法

智能建模方法大部分都是借鉴了生物的智慧，比如人工神经网络就是模拟了人类的脑神经元结构来传递、处理、判断信息；模糊逻辑方法则是模拟了人类的思维过程，进行模糊推理。

2.1 人工神经网络建模法

人工神经网络是模拟人脑中神经元的结构，由大量的非线性处理单元（神经元）连接而成的网状结构单元。通过神经元的相互连接实现信号的传递，只要有足够多的网络节点就能逼近任何从输入到输出的映射。

人工神经网络建模不依赖于传统的数学模型，对实际系统的知识要求不再深入具体，只要有足够的正确样本数据，就可以通过算法自学习建立网络模型，重现实际系统的输入输出之间的映射关系。神经网络建模的优势为可以进行并行处理，存储大量信息，具有高度的自适应性、自学习、自组织性，理论上可以任意逼近非线性系统。然而，神经网络具有一定的局限性，存在局部收敛、网络结构和参数不易确定等问题，限制了人工神经网络的实际应用。

2.2 模糊逻辑建模法

模糊逻辑理论依赖于现场操作人员和专家的经验知识，输入输出不再量化，对模糊信息采用逻辑规则的“不精确推理”，从而有效地解决了复杂系统无法建立精确数学模型的难题。使用模糊集合理论，是系统辨识的一个新的方法，也是建模的有效方法，在非线性系统辨识领域中有十分广泛的应用。

模糊逻辑辨识建模具有独特的优越性，能够有效地辨识具有大时延、时变、多输入单输出的非线性复杂系统。然而，模糊逻辑方法由于缺乏有效的学习机制，参数的选择一直缺乏常规理论指导，所以精度不高，自适应能力有限。

3 优化的智能建模方法

要真正实现智能模拟建模，仅仅靠单纯一种方法是很难摆脱自身局限性的，如果将它们进行综合，即优势互补将不同的建模方法进行结合[2]，其优势将会远远高于单种方法。尤其是一些优化算法的提出，更是为智能建模的发展插上了翅膀。通过将不同算法结合来达到更好的效果日益成为当前研究领域的热点。

3.1 模糊逻辑结合人工神经网络模型

人工神经网络技术与模糊逻辑技术各有自己的特点。前者以生物神经网络结构为基础，意图在模拟推理及自学习、自适应方面深入发展，使人工智能更接近人脑的自组织和并行处理等功能[3]。后者则以模糊逻辑为基础，利用人类思维中的模糊性特点，模仿人的思维、推理方法，使常规方法难以解决的模糊信息处理难题迎刃而解。

模糊逻辑技术与人工神经网络技术的有机结合，可有效发挥其各自的优势并弥补其不足。模糊逻辑技术的特长在于模糊推理能力，将模糊逻辑引入神经网络，扩展了神经网络处理信息的范围和能力。神经网络的引入可以较好地解决模糊逻辑无自学习、自适应能力和难以确定模糊规则和隶属函数的问题，使模糊系统成为一种自适应系统。模糊逻辑与人工神经网络技术的高效结合，为非线性系统理论的研究开辟了一条新的途径。目前研究最多的是将模糊理论和神经网络结合起来的网络模型。Takagi和Sugeno提出T-S模糊神经网络[4]是应用最多、研究最深入的神经网络模型之一。

3.2 基于遗传算法的建模方法

遗传算法是一种基于自然遗传学机理，模拟自然进化过程的方法。一般将待求解的问题表示成码串(称染色体)进行复制、交叉、变异基因操作产生出新一代更加适应环境的串群。经过不断迭代进化，搜索到一个最适应环境的码串，就获得了问题的最优解。遗传算法不依赖于系统本身特性，不易陷入局部最优，能够快速有效地搜索复杂、非线性多维空间，为非线性系统辨识建模的研究与应用开辟一条新途径。

将遗传算法与人工神经网络结合，可以扩大神经网络系统的搜索空间、提高计算效率、增强其自动化程度。目前遗传算法与神经网络融合的主要目标集中在优化神经网络参数如隐层数、结点数等。也把遗传算法集成到神经网络内部，用遗传算法代替神经网络本身的学习算法[5]。

将遗传算法与模糊逻辑结合，一方面，利用遗传算法搜索性强，在优化结构和学习模糊规则上的优势，优化模糊控制器的隶属度函数和模糊规则。利用遗传算法改进模糊系统，构成一种混合的优化设计方法。另一方面，将已有的遗传算法的知识用模糊语言来描述，形成模糊自适应遗传算法，能够加速搜索进程以及保持遗传种群的多样性。两者结合使得系统的优化设计更灵活、更方便，取得了更好的设计效果。

3.3 粒子群优化算法

群体智能理论来源于对群居生物社会性的模拟，在群体中对信息的社会共享有利于在演化中获得优势。粒子群算法简单，收敛速度快，鲁棒性强。但是，粒子群算法的数学基础比较薄弱。目前，一方面对粒子群算法进行深入研究；另一方面，跟据融合粒子群算法与人工智能及传统优化算法各自的优点，以提高相应方法的性能。

利用粒子群算法收敛快、简单易操作和全局寻优的优势，实现了模糊逻辑、人工神经网络的优化辨识。粒子群算法一般对神经网络的拓扑结构、连接权重、学习算法等方面参数进行训练优化[6]。通过模糊规则的进化，优化模糊规则库。反过来，利用模糊逻辑、人工神经网络可以实现粒子群算法中惯性权重等参数的自适应调整。

遗传算法与粒子群算法结合，可以解决遗传算法存在的早熟收敛和易陷入局部最优解的问题，避免了复杂的遗传操作。在粒子群算法中可以引入遗传算法的交叉、变异算子[7]，使得粒子之间可以互相交换信息，具备了向新的搜索空间扩展的能力。

3.4 其他

此外，还有许多其他的智能算法，如自适应免疫算法、蚁群算法等。人们一直在探索各种方法，寻找更优的建模方法，使系统模型更逼近与实际系统。

4 结论

随着半个多世纪的发展，智能建模方法模拟人类和其他群体生物的智能行为，不断研究、发展，智能建模的模型也越来越多样化。本文介绍了一些智能建模方法以及相互融合的使用。对不确定性的复杂系统的建模研究很难找到一种统一的方法来处理，这就需要针对不同的问题进行方法的选择改进。进一步完善智能建模方法和如何将不同的方法相结合将会是未来的研究趋势。

[1]王耀南，宋明．复杂工业系统的广义知识模型与智能建模[J]．中南工业大学学报(自然科学版)，2003，34(4)：335-341．

[2]李士勇．智能优化算法原理与应用[M]．哈尔滨：哈尔滨工业大学出版社，2011．

[3]董早鹏，刘涛，万磊，等．基于Takagi-Sugeno模糊神经网络的欠驱动无人艇直线航迹跟踪控制[J]．仪器仪表学报，2015，36(04)：863-870.

[4]吕彬．基于T-S模糊模型的强流电子枪建模与控制算法研究[D].上海：中国科学院研究生院(上海应用物理研究所)，2015．

[5]叶林，陈政，赵永宁，等．基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]．电力系统自动化，2015，39(16)：16-22．

[6]刘立峰，孙赞东，韩剑发，等．量子粒子群模糊神经网络碳酸盐岩流体识别方法研究[J]．地球物理学报，2014，57(03)：991-1000．

[7]高立群，吴沛锋，邹德旋．基于变异策略的粒子群算法[J]．东北大学学报(自然科学版)，2010，31(11)：1530-1533．