自适应神经-模糊推理系统ANFIS的混合协同微粒群优化设计

本文主要探讨了"自适应神经-模糊推理系统的混合协同微粒群算法进化设计"这一领域的研究。2006年8月发表于《系统工程理论与实践》杂志第8期的文章，作者王俊年、申群太和陈湘洲分别来自湖南科技大学信息与电气工程学院、中南大学信息科学与工程学院以及湖南科技大学商学院。论文的核心内容围绕ANFIS（自适应神经-模糊推理系统）展开。 ANFIS是一种结合了神经网络和模糊逻辑的智能计算模型，它具有学习能力和适应性，常用于解决复杂的非线性问题。作者首先对ANFIS的结构和参数特性进行了深入分析，特别关注了网络的前件参数，包括c（连接权重）和σ（隶属度函数的尺度）。为了优化这些参数，他们提出了一个创新的方法，即混合协同微粒群算法。这个算法将参数集分为两个子群体，一个是处理结构参数L的子群，采用二进制粒子群优化（PSO）；另一个则是处理前件参数{c,σ}的子群，运用改进的粒子群优化算法（GCPSO），以利用各自算法的优势。 两个子群之间通过协同函数相互协作，共同推进网络参数的优化。同时，论文强调了结论参数（通常指神经网络的输出层权重）依旧使用最小二乘法进行训练，以保证模型的精度。这种混合策略使得算法能够在保持ANFIS优点的同时，更有效地搜索到全局最优解。 实验部分，作者将这种进化设计应用于 Henon 映射产生的混沌时间序列预测，结果显示了显著的预测性能提升。关键词如"自适应神经模糊推理"、"结构参数"、"混合协同微粒群算法"和"Henon映射"都是论文的核心内容，体现了研究的重点和应用场景。 总结来说，这篇论文在ANFIS的自适应设计方面做出了重要贡献，通过混合协同微粒群算法优化网络结构和参数，提升了模型在实际问题中的表现能力，展示了在混沌时间序列预测等领域的潜在应用价值。对于从事人工智能、模糊逻辑或优化算法研究的读者，这篇文章提供了深入理解ANFIS优化方法的实用参考。