方 伟, 张龄之

(江南大学物联网工程学院, 江苏 无锡 214122)

0 引 言

认知图是计算智能领域的一个新兴的研究热点,它提供了一个有效的软计算工具来支持基于先验知识的自适应行为[1]。文献[2]在古典认知图的基础之上,融合认知图论和模糊集理论,提出模糊认知图(fuzzy cognitive maps, FCMs)。由于模糊逻辑能够比三值逻辑携带更多的信息,使得FCMs在定性推理中起着更大的作用,并成为目前认知图研究的主流,广泛应用于工业、军事、科技、医学、建筑等领域[3-7]。

FCMs用来解释系统中的概念、实体或者数学变量之间因果关系,利用有向加权图来建模,即由结点与结点之间的有向弧组成。结点间有向弧的权值反映了两个结点间的连接强度和类型。因此对FCMs的学习是尽可能找到准确的权值。FCMs的学习算法可大致分3类,分别是基于Hebbian的方法,基于进化算法的方法以及基于Hebbian和进化算法的混合方法。文献[8]提出的非线性Hebbian学习(nonlinear hebbian learning,NHL)算法是基于Hebbian方法中的代表算法,该算法需要专家的介入,而且对专家的知识精确性要求较高,但是在一些复杂领域的专家知识很难得到,容易出现初始网络无法重构的现象。为了解决这一问题,研究人员把进化算法应用于FCMs,使得FCMs可以自动选择数据。这种基于进化算法的选择策略,实质上是将选择问题转化为优化问题,通过设定合适目标函数的方法找到问题的最优解。文献[9]提出了用于学习FCMs的实数稀疏编码遗传算法(sparse real-coded genetic algorithms,SRCGA),该算法在实数编码遗传算法(real-coded genetic algorithms,RCGA)的基础之上采用密度估计参数,引导算法的学习过程。……