自进化二型模糊极限学习系统的优化算法研究

Structure optimization plays an important role for improving the performance in designing a type-2 fuzzy system. On the other hand, a rapid learning algorithm for the parameter optimization is essential for a type-2 fuzzy system when its dealing with realistic applications...This project will focus on the optimization design of structure and parameters for a type-2 fuzzy system, the detailed research contents are as follows: (1) Based on a type-2 fuzzy clustering method, optimal structure and the antecedent parameters of the type-2 fuzzy system can be obtained automatically.(2)Then a rapid learning algorithm for the consequent parameters is performed based on the extreme learning machine (ELM) method. A new Type-2 fuzzy system model named self-evolving type-2 fuzzy extreme learning system can be constructed through the two learning phases mentioned above.(3) The approximation performance and generalization ability of the proposed self-evolving type-2 fuzzy extreme learning system will be analyzed to show its performance in theory.(4)With respect to applications, the proposed self-evolving type-2 fuzzy extreme learning system will be further used for uncertain multi-attribute group decision-making problems.Comparative study with other methods, such as type-1 fuzzy system, type-2 fuzzy system, grey relational analysis method, etc, will demonstrate the effectiveness and superiority of the proposed self-evolving type-2 fuzzy extreme learning system. ..In a word, the project can extend the research of both structure optimization and parameter optimization for the type-2 fuzzy systems in theory. On the same time, the project can also provide new ideas for uncertain multi-attribute group decision-making research. What’s more, the project has important values in both theory and applications for other system modeling and control problems..

通过结构辨识获得最优系统结构是提高二型模糊系统性能设计的关键，而系统参数的快速训练算法是保障二型模糊系统能够满足实际应用的重要条件。本项目针对二型模糊系统的结构优化和参数学习问题展开研究，具体内容如下：（1）基于二型模糊聚类算法，实现二型模糊系统结构的自动优化，并确定模糊规则的前件参数。（2）在上述结构优化基础上，基于极限学习机算法进行后件参数的优化，从而构建一种新的自进化二型模糊极限学习系统模型。（3）为验证模型性能，分析和证明所提出的自进化二型模糊极限学习系统的逼近性能与泛化能力。（4）在实际应用上，将所提出的二型模糊系统模型应用于不确定多属性群决策问题，并与其他模型比较，进一步验证该模型的有效性及优越性。总之，本项目的研究既可拓展二型模糊系统的结构优化设计及参数学习算法的理论研究，也可为不确定多属性群决策问题提供新的研究思路，对于其他系统建模与控制问题也具有理论及应用价值。

决策是从一系列备选方案中选择所偏好的方案或行动路线的过程，目前已被广泛应用到各种领域的评价问题中。受决策环境复杂性、决策者知识局限性等因素的影响，现实决策中决策者无法给出精确的决策信息，因此，模糊多属性决策得到了广泛应用，决策的准则值以以实数、区间数、三角模糊数、梯形模糊数、直觉模糊数等形式给出。这些模糊数统称为一型模糊数，然而一型模糊数只有一个隶属度，无法刻画描述语言本身的不确定性，因此本项目基于二型模糊集合理论开展模糊多属性决策研究。主要开展了以下工作：（1）将语言动力学系统拓展到二型模糊集合情形，并结合Mendel教授的感知推理方法进行研究，研究了二型模糊集合的语言动力学系统的性质。（2）针对属性值为模糊数的风险投资项目选择问题，提出了一种新的基于联系数的扩展VIKOR方法。提出了一种新的联系数距离计算公式，通过风险项目投资实例验证了该算法的有效性和优越性。（3）为避免不确定语言变量转化时的信息丢失问题，定义了一种新的不确定语言变量距离公式。针对属性值含有不确定语言变量、属性权重未知的混合型多属性群决策问题，提出了一种扩展的VIKOR方法，并与TOPSIS方法进行比较，说明了该方法的优越性。（4）针对属性值为区间二型模糊集合的多属性决策问题，提出了一种新的符号面积得分函数排序方法，提出并证明了该方法的几条性质，并结合VIKOR方法给出了多属性决策的步骤，通过两个多属性决策的例子证明该方法的有效性和优越性。（5）利用语言标度函数实现不确定语言变量的转换，并确定正负理想点。通过双向投影方法和贴近度方程实现备选方案的排序。该方法能有效克服投影方法的缺陷，通过毕业生工作选择的例子说明了该方法的有效性和优越性。