Generating Interpretable Fuzzy Controllers using Particle Swarm Optimization and Genetic Programming
Technical University of Munich（慕尼黑工业大学）；Siemens AG（西门子股份公司）
使用预先存在的工厂轨迹数据自主训练可解释的控制策略（称为策略）在工业应用中具有极大的兴趣。模糊控制器作为可解释的、有效的系统控制器已经在工业中使用了几十年。在这项研究中，我们引入了一个模糊遗传编程（GP）的方法，称为模糊GP强化学习（FGPRL），可以选择相关的状态特征，确定所需的模糊规则集的大小，并自动调整所有的控制器参数同时。每个GP个体的适应度使用基于模型的批处理强化学习（RL）来计算，该批处理首先使用可用的系统样本来训练模型，然后执行Monte Carlo推出以预测每个策略候选者的性能。我们比较FGPRL的相关方法称为模糊粒子群强化学习（FPSRL），它使用群体智能调整模糊政策参数的扩展版本。使用工业基准的实验表明，FGPRL能够自主学习可解释的模糊策略，具有较高的控制性能。
2018-04-29 cs.AI
A Genetic Fuzzy System for Interpretable and Parsimonious Reinforcement Learning Policies
The University of Queensland（昆士兰大学）；Queensland University of Technology（昆士兰科技大学）
针对传统学习分类器系统规则库庞大难解释的问题，提出基于多目标与协同协同进化的 Pittsburgh 遗传模糊系统 Fuzzy MoCoCo，在 Mountain Car 环境中演化出可解释、高性能且简约的强化学习策略。
2023-05-17 cs.AI cs.LG cs.NE
Fuzzy Dynamical Genetic Programming in XCSF
University of the West of England（西英格兰大学）
研究在XCSF学习分类器系统中使用模糊动态遗传编程表示，通过异步模糊逻辑网络实现自适应性开放演化，解决连续值测试问题。
2012-04-18 cs.AI cs.LG cs.NE
Genetic Algorithm Based Coordination and Optimization Model for Generation Grid Load Storage in Active Distribution Networks
State Grid Tianjin Binhai Electric Power Supply Company（国网天津滨海供电公司）；State Grid Tianjin Electric Power Company（国网天津电力公司）
提出一种结合模糊逻辑与遗传算法的优化框架，用于主动配电网中发电、并网、负荷及储能设施的协调与风险评估，通过模糊集处理不确定性，利用遗传算法优化调度，降低技术约束，保持投资水平。
2026-06-23 cs.AI cs.NE
Adaptation of Mamdani Fuzzy Inference System Using Neuro - Genetic Approach for Tactical Air Combat Decision Support System
决策支持系统通常是用来解决多准则决策问题的。知识库是决策支持系统的重要组成部分，它包含了决策过程中使用的信息或数据。在这个领域，工程师和科学家已经应用了多种智能技术和算法，从不精确的信息中获得最佳决策。在本文中，我们提出了一种混合神经遗传学习方法的适应Mamdani模糊推理系统的战术空战决策支持系统（TACDSS）。一些仿真结果证明了学习技术的差异，并提供。
2004-05-06 cs.AI
A Genetic Fuzzy-Enabled Framework on Robotic Manipulation for In-Space Servicing
University of Cincinnati（克利夫兰大学）；Thales Avionics（泰勒斯航空电子）
本研究结合遗传模糊树与LQR控制，为卫星维护机器人提出可信高效的控制方案，性能提升18.5%且鲁棒性强。
2025-04-21 cs.AI cs.RO cs.SY
Discrete and fuzzy dynamical genetic programming in the XCSF learning classifier system
Department of Computer Science and Creative Technologies（计算机科学与创意技术系）；University of the West of England（西英格兰大学）
本文在XCSF框架内使用离散和模糊动态系统表示（异步随机布尔网络和模糊逻辑网络），通过自适应的开放式进化设计集成系统，解决多个经典测试问题。
2015-01-25 cs.AI cs.LG cs.NE
On Integrating Fuzzy Knowledge Using a Novel Evolutionary Algorithm
Khulna University of Engineering & Technology（库尔纳工程技术大学）
模糊系统可以被认为是基于知识的系统，它通过模糊规则和模糊隶属函数将人类知识纳入其知识库。本研究的目的是提出一个模糊知识集成框架，使用一种新的进化策略（NES），它可以同时集成多个模糊规则集及其隶属函数集。该方法包括两个阶段：模糊知识编码和模糊知识集成。四个应用领域，肝炎诊断，甘蔗育种预测，鸢尾属植物分类，井字棋残局被用来显示所提出的知识方法的性能。实验结果表明，该方法得到的模糊知识库比基于遗传算法的模糊知识库具有更好的性能。
2013-04-28 cs.AI cs.NE
Fuzzy Inference Systems Optimization
University of Johannesburg（约翰内斯堡大学）
本文比较了模糊推理系统优化的各种优化方法。比较的优化方法有遗传算法、粒子群算法和模拟退火算法。当这些技术被实施时，观察到模糊推理系统分类内的每种技术的性能是上下文相关的。
2011-10-15 cs.AI
Fuzzy Logic -- Based Scheduling System for Part-Time Workforce
University of Cincinnati（辛辛那提大学）
本研究提出一种基于遗传模糊系统的调度算法，用于生成大学兼职学生工人的可行排班，兼顾偏好工时、最大周工时及值班人数等约束，并在辛辛那提大学数据上验证了其高效性与鲁棒性。
2025-04-21 cs.AI cs.NE
NFISiS: New Perspectives on Fuzzy Inference Systems for Renewable Energy Forecasting
Computational Modeling Federal University of Juiz de Fora（计算建模弗拉门多大学）
本文提出基于Mamdani和Takagi-Sugeno-Kang的模糊推理系统及遗传与集成模型，在光伏预测中兼顾准确性与可解释性，性能优于深度学习。
2025-06-25 cs.AI
Evolutionary Algorithms for Fuzzy Cognitive Maps
模糊认知图（FCM）是一种复杂系统建模技术，由于其独特的优势，最近兴起的流行。它们基于表示要建模的系统参数之间的因果关系的图形，并且它们以其可解释性和灵活性而突出。随着FCM的后期普及，已经进行了大量的研究工作来开发和优化该模型。FCM最重要的元素之一是它们使用的学习算法，它们的有效性在很大程度上取决于它。学习算法学习FCM的节点权重，目标是收敛到期望的行为。本研究回顾了用于训练FCM的遗传算法，以及给出了一个一般概述的FCM学习算法，把进化计算到更广泛的背景下。
2020-12-19 cs.AI cs.NE
Heuristic design of fuzzy inference systems: A review of three decades of research
ETH Zürich（苏黎世联邦理工学院）；University of Reading（雷丁大学）；University of Pretoria（比勒陀利亚大学）；Machine Intelligence Research Labs (MIR Labs)（机器智能研究实验室（MIR实验室））；Technical University of Ostrava（俄斯特拉发工业大学）
本文对一类和二类模糊推理系统（FIS）的优化设计进行了深入的综述，这些模糊推理系统使用了五种著名的计算框架：遗传模糊系统（GFS）、神经模糊系统（NFS）、层次模糊系统（HFS）、进化模糊系统（EFS）和多目标模糊系统（MFS），因为它们中的一些是相互联系的。GFS的启发式设计使用进化算法优化Mamdani型和Takagi-Sugeno-Kang型模糊系统。而神经模糊系统将模糊推理系统与神经网络学习系统相结合，提高了逼近能力。HFS将两个或多个低维模糊逻辑单元以分层设计的方式组合以克服维数灾难。EFS通过渐进地演化系统来解决数据流问题，而MFS解决多目标权衡，例如同时最大化可解释性和准确性。本文提供了这些方面的综合，并探讨其潜力，挑战和机会，在FIS研究。本文还探讨了这些维度之间的复杂关系，以及将一个或多个计算框架结合起来添加另一个维度：深度模糊系统的可能性。
2019-08-27 cs.AI cs.NE
Hybrid Genetic Algorithm for Cloud Computing Applications
University Sapienza of Rome（罗马第一大学）；Dalian Maritime University（大连海事大学）；Machine Intelligence Research Labs (MIR Labs)（机器智能研究实验室）
本文将遗传算法和模糊理论相结合，提出了一种混合作业调度方法，该方法考虑了系统的负载均衡，减少了总的执行时间和执行成本。本文尝试对标准遗传算法进行改进，并借助模糊理论减少种群生成的迭代次数。本研究的主要目标是在考虑虚拟机MIPS和作业长度的情况下，将作业分配给资源。新算法综合考虑作业长度和资源容量，将作业分配给资源。我们评估我们的方法与一些著名的云调度模型的性能。实验结果表明，所提出的方法的执行时间，执行成本和平均度的不平衡（DI）方面的效率。
2014-04-22 cs.AI cs.DC
Literature Review of the Recent Trends and Applications in various Fuzzy Rule based systems
Umeå University（于默奥大学）
本文综述了2010至2021年模糊规则系统（FRBSs）的主要扩展类型及其在大数据、不平衡数据和可解释性等方面的应用趋势，并指出未来开放研究方向。
2023-05-16 cs.AI
Discovering Stock Price Prediction Rules of Bombay Stock Exchange Using Rough Fuzzy Multi Layer Perception Networks
Meghnad Saha Institute of Technology（梅格纳德·萨哈理工学院）；Netaji Subhas Open University（苏巴斯·钱德拉·鲍斯开放大学）；St. Xavier’s College（圣沙勿略学院）
在印度，金融市场已经存在了很多年。一个功能突出、多样化、高效和灵活的金融体系对国家建立市场驱动、生产力和竞争力经济的目标至关重要。今天，不同成熟度的市场存在于股票、债务、商品和外汇市场。在这项工作中，我们试图在孟买证券交易所使用一个重要的软计算范式，即，粗糙模糊多层感知。使用计算智能系统，如神经网络，模糊集，遗传算法等，股票市场预测已被广泛建立。这个过程是从每日股票走势中以规则的形式提取知识。这些规则可以用来指导投资者。为了提高预测过程的效率，使用粗糙集对数据进行离散化。该方法使用遗传算法，以获得一个结构化的网络适合分类和规则提取。模块化的概念，基于分而治之的策略，提供了加速的训练和一个紧凑的网络，适合于生成最少数量的规则，具有高的确定性值。引入了可变变异算子的概念，在知识子网络的集成和进化过程中保持了知识子网络的局部结构。粗糙集依赖规则直接从包含模糊隶属度值的实值属性表中生成。因此，该范例被用来开发一个规则提取算法。提取的规则进行了比较与一些相关的规则提取技术的基础上，一些定量的性能指标。该方法提取的规则数量少，准确性高，具有较高的可信度，具有较低的混淆与较少的计算时间。
2013-07-07 cs.AI
FRULER: Fuzzy Rule Learning through Evolution for Regression
Centro de Investigación en Tecnoloxías da Información (CITIUS)（信息技术研究中心（CITIUS））；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
在回归问题中，由于所获得的模型的精度，TSK模糊系统的使用被广泛扩展。此外，在许多实际问题中，由于易于理解输出和输入变量之间的关系，使用简单的线性TSK模型是一个很好的选择。在本文中，我们提出了FRULER，一个新的遗传模糊系统自动学习准确和简单的语言TSK模糊规则库回归问题。为了在保持高精度的同时降低学习模型的复杂度，该算法分为三个阶段：实例选择、输入变量的多粒度模糊离散化和规则库的进化学习，其中规则库的进化学习采用弹性网正则化来获得规则的结果。每个阶段使用28个真实世界的数据集进行验证，并将FRULER与三个最先进的遗传模糊系统进行比较。实验结果表明，FRULER实现了最准确和最简单的模型相比，即使是近似的方法。
2015-07-17 cs.AI cs.LG stat.ML
Type-2 fuzzy reliability redundancy allocation problem and its solution using particle swarm optimization algorithm
South Asian University（南亚大学）
提出了一类模糊多目标可靠性冗余分配问题（FMORRAP），该问题在第2类模糊不确定性下，使系统可靠性最大化，同时使系统费用最小化.在建议的配方，高阶不确定性（如参数，制造，环境和设计师的不确定性）与系统建模与区间2型模糊集（IT 2 FS）。区间2型隶属函数（IT 2 MF）的不确定性足迹通过捕获来自多个系统专家的多个意见来容纳这些不确定性。我们考虑IT 2 MF来表示子系统的可靠性和成本，根据其配置，使用可拓原理进一步聚合以评估总系统可靠性和成本，即，串联并联和并联串联。我们提出了一种基于粒子群优化（PSO）的新的解决方法来解决FMORRAP。为了证明两个配方，即，串联并联FMORRAP和并联串联FMORRAP的适用性，我们进行了实验模拟各种数值数据集。决策者/系统专家为目标（系统可靠性和成本）分配不同的重要性，这些偏好由权重集表示。最优结果从我们的解决方案的方法，和帕累托最优前沿建立使用这些不同的权重集。实施遗传算法（GA），比较我们提出的解决方案所获得的结果。对粒子群算法和遗传算法进行了统计分析，发现基于粒子群算法的Pareto解优于遗传算法。
2020-05-02 cs.AI cs.NE math.OC
Examining the effects of music on cognitive skills of children in early childhood with the Pythagorean fuzzy set approach
Istanbul University-Cerrahpasa（伊斯坦布尔大学-杰拉赫帕夏）；Istanbul Sabahattin Zaim University（伊斯坦布尔萨巴哈丁·扎伊姆大学）
本研究采用毕达哥拉斯模糊集方法，基于专家意见构建模型并通过期望得分函数排序，验证了幼儿期音乐教育对时空认知技能发展的促进作用，算法排序与专家结论一致。
2025-02-03 cs.AI q-bio.NC
A hybrid spatial data mining approach based on fuzzy topological relations and MOSES evolutionary algorithm
Isfahan University of Technology（伊斯法罕理工大学）
在战略空间规划中做出高质量的决策在很大程度上依赖于从大量数据中提取知识。虽然许多决策问题，如开发城市地区需要这样的感知和推理，在这一领域的现有方法通常忽略了从地理数据库中挖掘的深层知识，并基于纯统计方法。由于空间数据库中收集的数据量巨大，以及空间对象的不确定性，挖掘用于高层知识表示的关联规则是一项具有挑战性的任务。很少有算法使用拓扑关系来管理地理和非地理数据。提出了一种基于MOSES进化框架的空间数据采掘新方法，改进了经典的遗传编程方法。提出了一种混合架构称为GGeo应用的MOSES挖掘规则考虑模糊拓扑关系的空间数据。不确定性和模糊性方面的解决使用丰富的模型的拓扑关系的模糊区域连接演算。此外，为克服模糊拓扑关系计算耗时的问题，提出了一种新的数据预处理方法。GGeo分析和学习地理和非地理数据，使用拓扑和距离参数，并返回一系列算术空间公式作为分类规则。所提出的方法对噪声数据具有抵抗力，并且其所有阶段并行运行以提高速度。这种方法可以用于不同的空间数据分类问题，以及代表一个适当的数据分析和经济政策制定的方法。
2017-04-21 cs.AI
Gray Image extraction using Fuzzy Logic
Indian Institute of Science Education and Research, Pune（印度科学教育与研究学院浦那分校）；Visva-Bharati University（维斯瓦巴拉蒂大学）；RCC Institute of Information Technology（RCC信息技术学院）
模糊系统涉及表示和处理语言信息中的不确定性和不精确性的基本方法。使用模糊规则来表示问题的领域知识的模糊系统被称为模糊规则库系统（FRBS）。另一方面，由于各种原因，图像分割和随后的从受噪声影响的背景中提取，在各种软计算方法的帮助下，是相对较新且相当流行的。这些方法包括各种人工神经网络（ANN）模型（本质上主要是监督的）、基于遗传算法（GA）的技术、基于强度直方图的方法等。文献表明，在这方面的努力似乎相当初级。在本文中，我们提出了一个模糊规则指导的新技术，是功能没有任何外部干预在执行过程中。实验结果表明，这种方法是一种有效的相比，不同的其他技术广泛地在文献中。为了证明我们提出的技术在其竞争对手方面的性能至高无上，我们采取有效的指标，如均方误差（MSE），平均绝对误差（MAE），峰值信噪比（PSNR）。
2012-06-20 cs.AI cs.CV
Genetic Micro-Programs for Automated Software Testing with Large Path Coverage
University of Pretoria（比勒陀利亚大学）
计算智能（CI）的不断发展导致人们越来越希望应用CI技术来改进软件工程过程，特别是软件测试。现有的最先进的自动化软件测试技术集中于利用搜索算法来发现实现高执行路径覆盖的输入值。这些算法是在他们打算测试的相同代码上训练的，需要仪器和漫长的搜索时间来测试每个软件组件。本文概述了一种新的遗传编程框架，进化的解决方案是不是输入值，但微程序，可以重复生成输入值，有效地探索一个软件组件的输入参数域。我们还认为，我们的方法可以推广，如适用于许多不同的软件系统，并因此不具体到仅仅是特定的软件组件上，它是训练。
2023-02-14 cs.AI cs.NE cs.SE
Multiobjective Programming for Type-2 Hierarchical Fuzzy Inference Trees
ETH Zurich（苏黎世联邦理工学院）；Technical University of Ostrava（俄斯特拉发技术大学）；Machine Intelligence Research Labs（机器智能研究实验室）
提出了一种层次模糊推理树的设计方法。HFIT产生最佳树状结构，即，一种自然的层次结构，通过结合几个低维模糊推理系统（FIS）来简化。这种自然的分层结构提供了高度的近似精度。HFIT的建设分两个阶段进行。首先，基于非支配排序的多目标遗传编程（MOGP）被应用于获得一个简单的树结构（一个低复杂度的模型），具有较高的精度。其次，应用差分进化算法对得到的树的参数进行优化。在派生树中，每个节点获取不同的输入组合，其中进化过程控制输入的组合。因此，HFIT节点本质上是异构的，这导致由HFIT生成的规则之间的高度多样性。此外，HFIT提供了自动特征选择，因为它使用MOGP进行树的结构优化，该结构优化仅接受与数据中包含的知识相关的输入。HFIT研究的背景下，类型-1和类型-2 FIS，其性能进行了评估，通过六个应用问题。此外，建议的多目标HFIT进行了比较，从理论上和经验上与最近提出的FIS方法从文献中，如McIT 2FIS，TSCIT 2FNN，SIT 2FNN，RIT 2FNS-WB，eT 2FIS，MRIT 2NFS，IT 2FNN-SVR等。从所获得的结果，人们发现，HFIT提供了较低的复杂性和高精度的模型相比，大多数其他方法产生的模型。因此，建议HFIT是一个有效的和有竞争力的替代其他FIS的函数逼近和特征选择。
2017-05-16 cs.AI
Frequency Control in Microgrids: An Adaptive Fuzzy-Neural-Network Virtual Synchronous Generator
本文提出一种基于模糊神经网络的虚拟同步发电机参数自适应调整方法，以动态优化惯性、阻尼和下垂参数，显著降低微电网频率偏差至0.03 Hz内并缩短恢复时间。
2025-06-23 cs.AI cs.SY eess.SY
Agent-Based Genetic Algorithm for Crypto Trading Strategy Optimization
Beijing University of Posts and Telecommunications（北京邮电大学）
针对加密货币市场高波动性下传统参数优化失效的问题，提出融合遗传算法与多智能体协调的CGA-Agent框架，利用实时微观结构情报和性能反馈引导进化，在三种加密货币上显著提升总回报与风险调整指标。
2025-10-09 cs.AI
A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching
National University of Defense Technology（国防科技大学）；Dalian Maritime University（大连海事大学）；University of Alberta（阿尔伯塔大学）；Qatar University（卡塔尔大学）；Nanyang Technological University（南洋理工大学）
针对考虑人岗匹配的团队组建问题，构建0-1整数规划模型并提出强化学习辅助的遗传规划算法（RL-GP），通过集成种群策略和代理模型平衡探索与开发并加速评估，实验验证了其有效性，为真实企业环境下的项目团队组建提供决策辅助。
2023-04-08 cs.AI cs.LG cs.NE
Learning Fuzzy Controllers in Mobile Robotics with Embedded Preprocessing
Centro de Investigación en Tecnoloxías da Información (CITIUS)（信息技术研究中心（CITIUS））；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
移动机器人控制器的自动设计通常需要两个阶段。在第一阶段，感官数据被预处理或转换为通常根据专家知识定义的高水平且有意义的变量值。在第二阶段，应用机器学习技术来获得控制器，该控制器将这些高级变量映射到实际发送给机器人的控制命令。本文介绍了一种算法，它能够嵌入到learningstage的预处理阶段，以获得控制器直接从感官的原始数据，没有专家knowledgeinvolved。由于感官数据的高维性，该方法使用量化模糊规则（QFR），能够将低级别的输入变量转换为高级别的输入变量，通过总结降低维数。所提出的学习算法，称为迭代量化模糊规则学习（IQFRL），是基于遗传编程。IQFRL能够学习不同结构的规则，并能够管理多粒度的语言变量。该算法已被测试的墙壁以下的行为在几个现实的模拟环境中具有不同的复杂性和先锋3-AT机器人在两个真实的环境中的实施。实验结果表明，IQFRL算法具有更好的性能，并与几种著名的结合不同数据预处理技术的学习算法进行了比较。此外，三个现实世界中的应用，IQFRL发挥了核心作用，也提出了：路径和物体跟踪与静态和移动障碍物的避免。
2014-11-14 cs.AI cs.LG cs.RO
An Evolutionary Hierarchical Interval Type-2 Fuzzy Knowledge Representation System (EHIT2FKRS) for Travel Route Assignment
University of Sfax（斯法克斯大学）；National Engineering School of Sfax（斯法克斯国家工程学院）；University of Las Palmas de Gran Canaria（大加那利岛拉斯帕尔马斯大学）
城市交通网络的特点是交通流的高动态性和增加的旅行时间，包括等待时间。这导致道路交通管理更加复杂。本研究提出了一种创新的先进的交通管理系统的基础上，分层区间类型2模糊逻辑模型优化的粒子群优化（PSO）方法。设计该系统的目的是进行动态路径分配，以缓解交通拥挤和限制意外的波动对交通流的影响。建议的系统执行和模拟使用SUMO，一个著名的微观交通模拟器。在本研究中，我们测试了位于斯法克斯，卢森堡，博洛尼亚和科隆的四个大型和异构的大都市区。实验结果证明了使用实时的粒子群优化技术PSO学习分层区间2型模糊逻辑的有效性，以实现多目标优化两个标准：车辆到达目的地的数量和平均行程时间。所获得的结果是令人鼓舞的，证实了所提出的系统的效率。
2018-12-05 cs.AI
