混沌DNA遗传算法优化的模糊递归神经网络建模

"基于混沌DNA遗传算法的模糊递归神经网络建模 (2011年)" 本文探讨的主题是使用混沌DNA遗传算法优化T-S模糊递归神经网络（FRNN）的建模方法。作者受到生物DNA分子遗传机制的启发，结合混沌优化算法，设计了一种新的优化策略，以提升FRNN的建模效率和准确性。 首先，混沌DNA遗传算法（CDNA-GA）是文章的核心。这种算法将T-S模糊递归神经网络的前件部分参数，如模糊规则数、隶属度函数的中心点和宽度，用碱基序列的形式表示。通过这种方式，参数被编码为DNA序列，使得遗传算法能够更有效地搜索和优化这些参数。 在算法设计中，作者引入了更为复杂的遗传操作算子，这是对传统遗传算法的改进，旨在提高算法的全局搜索能力和避免早熟收敛。这些算子可能包括变异、交叉和选择等步骤，以确保种群的多样性并引导算法向最优解方向发展。 此外，混沌优化算法用于优化种群中的较差个体。混沌系统具有遍历性和良好的全局探索特性，可以打破遗传算法在局部最优处的停滞，帮助算法跳出局部最优，寻找全局最优。这一步骤增强了算法的寻优性能，尤其是在解决高维度和复杂问题时。 对于T-S模糊递归神经网络的后件部分参数，即网络权重和阈值，文章采用了递推最小二乘法（RLS）。RLS是一种在线学习算法，能快速适应数据变化，有效地识别网络的动态行为，从而提高模型的适应性和预测能力。 在实际应用中，研究者运用提出的混沌DNA遗传算法优化的T-S模糊递归神经网络对一个典型的pH中和过程进行了建模。通过与其他建模方法，如传统的遗传算法、模糊逻辑系统或线性模型等进行对比，实验结果证明了所建立的模型在精度和稳定性上的优势。 关键词涵盖了混沌理论、DNA计算、遗传算法、模糊神经网络以及在化学工程中的具体应用——pH中和过程。这篇文章的贡献在于提供了一个融合生物启发式算法和模糊神经网络的建模新方法，对于处理非线性、复杂系统的建模和控制问题具有潜在的应用价值。 中图分类号：TP273，表明这是一篇属于自动化技术领域的专业论文，而文献标识码A则表明这是一篇原创性的科学研究文章。通过深入研究和实践，这种方法有望在工程技术和科学领域进一步推广和应用。