Введение

В информатике и исследованиях операций генетические нечеткие системы – это нечеткие системы, созданные с использованием генетических алгоритмов или генетического программирования, имитирующих процесс естественной эволюции для определения их структуры и параметров. При автоматической идентификации и построении нечеткой системы, учитывая высокую степень нелинейности выходных данных, традиционные инструменты линейной оптимизации имеют ряд ограничений. Поэтому, в рамках мягких вычислений, методы генетических алгоритмов (ГА) и генетического программирования (ГП) успешно применяются для идентификации структуры и параметров нечетких систем.

Генетические алгоритмы для идентификации нечеткой системы

Учитывая высокую степень нелинейности выходных данных нечеткой системы, традиционные инструменты линейной оптимизации действительно имеют свои ограничения. Генетические алгоритмы продемонстрировали свою надежность и высокую эффективность при решении таких задач, как генерация базы нечетких правил, оптимизация базы нечетких правил, создание функций принадлежности и настройка функций принадлежности (Cordón et al., 2001a). Все эти задачи можно рассматривать как процессы оптимизации или поиска в больших пространствах решений (Bastian and Hayashi, 1995) (Yuan and Zhuang, 1996) (Cordón et al., 2001b).

Генетическое программирование для идентификации нечеткой системы

Хотя генетические алгоритмы являются очень мощными инструментами для определения нечетких функций принадлежности предварительно заданной базы правил, они имеют свои ограничения, особенно при определении входных и выходных переменных нечеткой системы на основе заданного набора данных. Генетическое программирование использовалось для определения входных переменных, базы правил и функций принадлежности, используемых в нечеткой модели (Bastian, 2000).

Многоцелевые генетические нечеткие системы

В последнее десятилетие многоцелевая оптимизация систем, основанных на нечетких правилах, привлекла широкое внимание как в научном сообществе, так и среди практиков. Она базируется на использовании стохастических алгоритмов для многоцелевой оптимизации с целью поиска парето-оптимальных решений в условиях множества целей. Например, одновременно оптимизируемыми целями могут быть точность и сложность, или точность и интерпретируемость. Недавний обзор области представлен в работе Fazzolari et al. (2013). Кроме того, [1] содержит актуальный и постоянно пополняющийся список литературы по данной теме.