模糊神经网络系统作为模糊系统与神经网络的结合,一方面弥补了纯模糊逻辑在学习方面的缺陷,另一方面,使得神经网络这一“黑箱”问题走向透明化。由于汇聚了神经网络和模糊系统各自的优点,近年来,模糊神经网络已经成功应用到时间序列预测、智能控制、生物医学、模式识别、数据挖掘等多个领域。 目前,模糊神经网络的应用研究主要集中在用神经网络的结构完成模糊系统的功能,即进行网络的构造并借助神经网络的学习能力来提取模糊规则,使之完成相应的任务。因此在模糊神经网络的研究中,如何针对实际问题进行有效的模糊神经网络优化设计,即如何恰当的确定模糊神经网络的规则条数和每条规则的参数以便利于神经网络实现模糊输入、模糊推理、网络中的传播和最终结果的理解等已经成为应用模糊神经网络所面临的关键性问题。 20世纪80年代出现的模拟退火算法、遗传算法等为开端的现代优化方法,是以优化问题中的难解问题为主要应用对象。由于这些方法不要求目标函数连续可微、对计算数据的不确定性有很强的适应能力、且具有灵活性好、直观性和随机性强等特点,因此在很短的时间里就得到广泛应用,成为解决优化问题的一种有力工具,并展示出方兴未艾的强劲发展势头。 禁忌搜索算法(Tabu Search,TS)是一种极具特点的meta-heuristic算法。TS通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索.并通过藐视准则来赦免一些被禁忌的优良状态,进而保证多样化的有效探索以最终实现全局优化。算法最引人注目的地方在于其跳出局部最优解的能力。 此外另一种新的基于群智能的全局优化算法——粒子群优化算法(Particle Swarm Optimization,PSO)由Kennedy和Evberhart在1995年提出,主要用于解决连续函数优化问题。由于其简单、有效的特点,粒子群优化算法迅速受到各领域学者们的广泛关注。 由于禁忌搜索算法和粒子群优化算法是两个典型的基于个体智能和群智能的现代优化方法,而模糊神经网络的优化设计也可以转换成一个组合优化问题。所以本文在对两个算法进行分析总结的基础上,主要开展了以下三个方面的工作: