一种模糊Petri网参数优化的有效方法

摘要

模糊Petri网对解决知识的表示问题和提高知识的并行处理能力是一种非常有效的方法和途径，但模糊系统自身的一个缺陷就是学习能力差。这主要体现在模糊Petri网中的阈值、确信度、权值等一些参数的确定问题上，无法通过机器学习而获得，必须通过相关专家依据经验给出，降低了模糊Petri网的泛化能力。该文要重点讨论的内容就是，如何将神经网络的自学习能力借鉴到模糊Petri网参数学习问题上来，要求能达到经过有限个样本数据的学习和训练后，模糊Petri网模型具有较强的泛化能力，推理结果更符合实际系统的需要。 该文在深入分析FPN推理机制和人工智能领域的蚁群、遗传算法的基础上，提出了一种带交叉、变异因子的模糊Petri网参数值寻优的有效方法。该方法用蚁群算法寻优出参数值的候选集，用遗传算法精确确有出最优结果，并针对一知识库系统的具体问题，将该方法与BP算法、遗传算法、基本蚁群算法进行了比较分析。仿真实验表明，运用带交叉、变异因子的蚁群算法训练出的参数正确率较准，精度较高，对于复杂的模型，学习也能在有限的时间内收敛。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 研究背景

1.2研究动态及现状分析

1.3研究任务和创新点

1.4本论文的结构安排

第二章 Petri网理论基础

2.1 Petri网的基本概念

2.2 Petri网中事件间的基本关系

2.3 Petri网模型的特点

第三章 模糊Perri网

3.1模糊Petri网的基本概念

3.1.1模糊Petri网的定义

3.1.2模糊产生式规则的表示

3.2模糊Petri网的推理算法

3.2.1正向推理算法

3.2.2反向推理算法

3.3变型模糊Petri网及其推理算法

3.4本文采用的模糊推理函数

第四章 一种模糊Petri网参数优化的有效算法

4.1适应度函数

4.2模糊Petri网参数优化问题

4.3一种带交叉、变异因子的蚁群算法

4.3.1蚁群路径图

4.3.2算法流程图

4.3.3算法具体实现步骤

4.3.4蚁群算法各参数说明

4.3.5算法性能分析

第五章 仿真实验

5.1进化过程比较

5.2收敛时间分析

5.3泛化性验证

5.4仿真结论

第六章 结论与展望

6.1总结

6.2进一步的工作及展望

参考文献

致 谢

附录A(攻读硕士学位期间发表论文目录)