论文部分内容阅读
置信规则库推理(Belief Rule-base Inference Methodology using the Evidential Reasoning,RIMER)方法是Yang等在Dempster-Shafer证据理论、决策理论、模糊理论和传统IF-THEN规则的基础上提出的。该方法在解决工程实际中的不确定多准则决策问题具有明显的优势。RIMER方法主要包括置信规则库(Belief Rule Base,BRB)和证据推理(Evidential Reasoning,ER)算法。在 BRB 中,参数的选择直接影响了 BRB的推理准确性,而规则库的结构也与BRB的系统复杂度息息相关。近年来,针对BRB的参数学习问题和结构优化问题,前人进行了深入的研究,也取得了较大的进展。但现有的BRB参数学习方法仍然存在一些局限性,因此,本文研究和改进了混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA),并在此基础上提出新的BRB参数训练模型;同时现有的研究都是关于BRB参数或结构的单目标优化问题,而BRB系统中提高推理准确性和减少系统的复杂性往往是两个相互冲突的目标,这就需要合适的算法来寻找到两个目标上的平衡解,因此,探索BRB系统的多目标优化模型具有重要的研究意义。鉴于此,本文开展如下的研究工作:(1)针对传统混合蛙跳算法存在早熟收敛等缺陷,本文引入“个体认知”能力和高斯扰动因子,提出基于高斯扰动的混合蛙跳算法,使改进后的混合蛙跳算法具有更强的寻优能力。同时研究RIMER方法的规则库和推理机制,分析现有的置信规则库参数优化方法存在的缺陷。为进一步研究置信规则库的优化问题奠定理论基础。(2)针对现有的BRB参数学习模型存在收敛效率低或推理精度不理想等问题,本文扩宽了 BRB系统的待优化参数,引入基于高斯扰动的SFLA算法,提出基于改进的SFLA的置信规则库参数学习模型。在实验部分通过多极值函数和输油管道检漏两个实例,充分验证本文方法解决实际问题的能力。(3)针对提高BRB系统推理准确性和减少系统复杂度的多目标优化问题,本文在参数学习研究的基础上提出一个基于混合PAES算法(M-PAES)的置信规则库多目标优化方法,该方法通过最小化系统的均方根误差和系统复杂性来寻找到近似的Pareto最优前沿。算法引入改进型混合PAES算法来构建BRB的多目标优化模型。在实验中,将该方法应用于求解Mackey-glass时间序列和预测煤气炉中CO2的浓度,实验结果表明,新方法的推理准确性更高、系统复杂度更低。