一種模糊Petri網(wǎng)參數(shù)優(yōu)化的有效方法.pdf

1、模糊Petri網(wǎng)對解決知識的表示問題和提高知識的并行處理能力是一種非常有效的方法和途徑，但模糊系統(tǒng)自身的一個缺陷就是學習能力差。這主要體現(xiàn)在模糊Petri網(wǎng)中的閾值、確信度、權值等一些參數(shù)的確定問題上，無法通過機器學習而獲得，必須通過相關專家依據(jù)經驗給出，降低了模糊Petri網(wǎng)的泛化能力。該文要重點討論的內容就是，如何將神經網(wǎng)絡的自學習能力借鑒到模糊Petri網(wǎng)參數(shù)學習問題上來，要求能達到經過有限個樣本數(shù)據(jù)的學習和訓練后，模糊Petri

2、網(wǎng)模型具有較強的泛化能力，推理結果更符合實際系統(tǒng)的需要。 該文在深入分析FPN推理機制和人工智能領域的蟻群、遺傳算法的基礎上，提出了一種帶交叉、變異因子的模糊Petri網(wǎng)參數(shù)值尋優(yōu)的有效方法。該方法用蟻群算法尋優(yōu)出參數(shù)值的候選集，用遺傳算法精確確有出最優(yōu)結果，并針對一知識庫系統(tǒng)的具體問題，將該方法與BP算法、遺傳算法、基本蟻群算法進行了比較分析。仿真實驗表明，運用帶交叉、變異因子的蟻群算法訓練出的參數(shù)正確率較準，精度較高，對于復