颜明

（中国传媒大学计算机与网络空间安全学院，北京 100024）

1 引言

Petri 网(Petri Net, PN)是1962 年德国博士C. A.Petri 提出的一种用来模拟一些具有并行或并发事件的离散事件系统的数学模型，近年来被广泛应用于计算机科学、自动化控制、通信等领域的建模和性能分析过程中。但由于PN 难以描述不确定、模糊的系统，学者们将Petri网和和模糊数学相结合，扩充其模糊处理能力提出模糊Petri 网（Fuzzy Petri Net，FPN[1]）。FPN 在具有PN 的固有优点基础上，还能够精确描述模糊知识并兼有模糊系统的推理功能，能够促进知识分析、推理和决策，被广泛应用在知识库系统的建模和诊断过程中[2]。但FPN的自适应能力较差，其权值、阈值、确信度往往依赖于人工的经验，从而影响推理结果的精度[3]。国内外目前对于FPN参数优化研究大多建立在具体的适用范围的基础上，如Pedrycz 与Gomide[4]为提高FPN的调整（学习）能力，采用了一种广义模糊Petri 网（Generalized Fuzzy Petri Net，GFPN），Li 和Lara-Rosano 等[5]提出的在严格条件下FPN的权值参数的学习，Yang 等通过遗传算法与FPN 结合，提升FPN 的学习能力[6]。在加权模糊Petri 网上，文献[7]通过蚁群算法进行优化FPN的参数，并将该思路运用与故障诊断推理过程中，取得了较好结果。LI等在基于FPN 的矿用变压器故障诊断通过利用Elman 网络算法的自适应能力对FPN 的模型的初始参数进行优化[8]。在这些优化的例子中，FPN 的模型大都局限在某一特定的领域，并且在优化的结果上，这些算法大都存在精度不够，易陷入局部最优解，且易受初始参数的影响。本文拟在经典萤火虫算法（Firefly Algorithm，FA）的基础上，利用经典萤火虫算法的全局搜索能力，通过优化萤火虫算法的步长策略，改进移动策略，优化簇间关系，对于FPN 的参数进行调整优化，提高FPN的自适应能力。……