面向 2 型分层模糊推理树的多目标规划
人工智能
2017-05-17 v1
摘要
本文提出了一种分层模糊推理树 (HFIT) 的设计方案。HFIT 生成最优的树状结构，即一种通过组合多个低维模糊推理系统 (FIS) 来体现简洁性的自然分层结构。这种自然分层结构提供了高度的逼近精度。HFIT 的构建分为两个阶段：首先，应用基于非支配排序的多目标遗传规划 (MOGP) 以获得具有高精度的简单树结构（低复杂度模型）；其次，应用差分进化算法优化所得树的参数。在生成的树中，每个节点获取不同的输入组合，其中输入组合由进化过程控制。因此，HFIT 节点本质上是异质的，这导致 HFIT 生成的规则具有高度多样性。此外，由于 HFIT 使用 MOGP 进行树结构优化，仅接受与数据中包含的知识相关的输入，因此提供了自动特征选择功能。我们在 1 型和 2 型 FIS 的背景下研究了 HFIT，并通过六个应用问题评估了其性能。此外，我们将所提出的多目标 HFIT 与文献中最近提出的 FIS 方法（如 McIT2FIS、TSCIT2FNN、SIT2FNN、RIT2FNS-WB、eT2FIS、MRIT2NFS、IT2FNN-SVR 等）进行了理论和实证比较。结果表明，与大多数其他方法生成的模型相比，HFIT 提供的模型复杂度更低且精度更高。因此，所提出的 HFIT 是用于函数逼近和特征选择的其他 FIS 的高效且具有竞争力的替代方案。
引用
@article{arxiv.1705.05769,
title = {Multiobjective Programming for Type-2 Hierarchical Fuzzy Inference Trees},
author = {Varun Kumar Ojha and Vaclav Snasel and Ajith Abraham},
journal= {arXiv preprint arXiv:1705.05769},
year = {2017}
}