8、模糊推理系统调优全解析

模糊推理系统调优全解析

1. 模糊推理系统调优概述

设计具有大量输入和隶属函数（MF）的复杂模糊推理系统（FIS）是一项具有挑战性的任务，因为需要处理大量的 MF 参数和规则。为了设计这样的 FIS，可以采用数据驱动的方法来学习规则并调整 FIS 参数。可以使用 tunefis 函数来调整模糊系统，并使用 tunefisOptions 对象来配置调优过程。

使用模糊逻辑工具箱软件，可以调整类型 1 和类型 2 的 FIS 以及 FIS 树。在训练过程中，优化算法会生成候选的 FIS 参数集，每次使用一个参数集更新模糊系统，然后使用输入训练数据进行评估。

1.1 有输入/输出训练数据的情况

如果有输入/输出训练数据，每个解决方案的成本将根据模糊系统的输出与训练数据中预期输出值之间的差异来计算。

1.2 无输入/输出训练数据的情况

如果没有输入/输出训练数据，可以指定一个自定义模型和成本函数来评估候选 FIS 参数集。成本测量函数将输入发送到模糊系统并接收评估输出，成本基于评估输出与模型预期输出之间的差异。

1.3 调优方法

tunefis 函数支持以下调优方法，这些方法用于找到最优的 FIS 参数：
| 方法 | 描述 | 更多信息 |
| — | — | — |
| 遗传算法 | 基于种群的全局优化方法，通过种群成员之间的变异和交叉进行随机搜索 | “What Is the Genetic Algorithm?” (Global Optimizatio