基于遗传规则聚类的模糊神经网络的研究与应用

吴婷 金山职业技术学院

1 遗传规则和神经网络的介绍

遗传规则算法是根据遗传学之父孟德尔的遗传学说和达尔文的进化论，提出的一种计算机直接搜索优化的方法。其中主要的原理是孟德尔提出的基因的遗传定律和达尔文提出的适者生存理论。在计算机搜索计算的时候，如果最后的目标存在很多的变量和约束条件，或者是基于大量运算，寻找样本全局最优解，在这种情况使用遗传算法可以在所有的解中迅速找到局部最优解再通过每个局部最优解找到最后的全局最优解。

模糊神经网络的原理是将模糊逻辑和模糊算法与神经网络相结合。这种算法最大的优点是适应性和智能性最好，不仅可以像人类一样，通过模糊的局部去推测整体，还能够在计算的过程中进行学习、连接和优化，是目前最好的处理信息的算法之一。

而基于遗传规则聚类的模糊神经网络算法主要是处理模糊数据，先通过遗传规则算法对模糊数据进行聚类，再通过模糊神经网络进行求解的一种算法。这种算法很好的集合了两者的优点，能够对大规模的模糊数据进行处理和求解。但是在实际使用的过程还是存在部分问题需要解决。

2 基于遗传规则聚类的模糊神经网络存在的问题

2.1 经典遗传算法只能取实变量，无法取值模糊样本

遗传算法主要针对的问题是求解最优解，将局部的解转换成在遗传学中的对应的串，也就是我们常说的染色体和个体，简单讲就是将每个解都看成是一个个体，再利用遗传定律进行选择、交叉和变异。这些个体在经过一代代的杂交后，最后得到的最优性状就是我们要求解的最优解对应的个体。

在这个算法计算的过程中，每个解对应一个个体，每个解都是确定的值，因为遗传算法是解决实变量的问题，如果要将遗传算法用在解决模糊变量的问题上，需要对算法进行改进，使之能够适应模糊变量。

2.2 经典模糊算法的输入输出值也是实变量，无法进行模糊样本的输入输出

模糊算法实际的作用其实并不模糊，他是一个慢慢逼近最优解的过程。比如设定判断逻辑，＜1 就是小，＞5 就是大，那么怎么判断3 呢，3 正好在1 和5 之间，属于不大不小的中间位置，模糊算法就是不断的通过这种大小的判断去逼近那个最优解。

因此在经典的模糊神经网络模型中，当计算的样本很多时，那么规则也会有很多，这时候如果要减少这些规则数，那么就只能通过实变量减法聚类来进行规则分类，这样的话，相当于又回到了实变量问题中去求解，因此经典的模糊算法不适用于大规模的模糊数据处理，如果要进行大规模的模糊数据处理需要优化算法。

3 通过优化算法解决基于遗传规则聚类的模糊神经网络存在的问题

3.1 优化经典遗传算法，使之能够取值模糊样本

我们的目标是要在遗传算法中挑选k 个有代表性的模糊样本，因此我们要对算法这么优化。首先对N 个样本进行系统聚类，得到一个系统聚类结果，根据这个结果确定k；然后在数据群中随机生成M 个个体，这些个体就是遗传算法中的初始种群，种群中的每个个体都由k 个类别组成；再计算N 个样本到种群中的每个个体距离，根据计算的结果判断这N 个样本都是什么类别，并将每个个体的聚类进行更新；对更新后的种群需要再次进行遗传定律选择（选择、交叉、变异），达到更新种群的目的；而在更新后的新种群中，取最优性状即适应性最好的个体作为最优个体；再根据终止条件判断算法是否终止，如果目前的最优解不能够终止算法，就回到第二步重新开始，一直到满足终止条件；对于种群中的每一个k，都会有一个最优解，然后利用检验样本来检验每一个最优解的正确率，最终根据正确率排名选择最靠前那个解来作为最终的k 条代表性规则。

经此优化后的遗传算法能够在模糊样本中找到最优的解来作为规则，解决了经典遗传算法只能计算实变量的不足。

3.2 优化经典模糊神经网络算法，使之能够进行模糊样本的输入和输出

首先假设有这么一个模糊样本库，里面的模糊样本为X，那么模糊样本的输入就是X，设输出为Y；根据以上的模糊样本，我们在上面的优化后的遗传算法中可以得到这个模糊样本的K 条代表性规则；然后再基于模糊样本中的每个X，计算模糊神经网络中每一天规则的综合隶属度；最后根据实际的模糊输出和计算的期望模糊输出的差值对模型进行修正。

经过如此计算之后，把模糊问题的样本表示为模糊规则，最后再输出模糊结果，解决了模糊问题的模糊输出问题。使神经网络算法不仅仅适用于实变量，也可以适用于模糊变量。

通过优化后的遗传规则算法对模糊样本进行聚类，再通过优化后的神经网络算法改进了经典模糊神经网路模型对模糊问题的“实变量输入-模糊转换-线性逼近-实变量出”的弱点。在实际的计算过程中，可以通过把模糊问题的模糊样本，表示为模糊规则，把模糊规则选优问题，转换为K 均值聚类问题的K 聚类数和聚类结果的选优问题，简化了算法规则和计算过程，降低了取值和输入要求，能够更好的解决实际模糊问题。