[论文解读] Design a Technology Based on the Fusion of Genetic Algorithm, Neural network and Fuzzy logic

Raid Rafi Omar Al-Nima, Fawaz S. Abdullah+1 more|arXiv (Cornell University)|Feb 16, 2021

Fuzzy Logic and Control Systems参考文献 35被引用 8

一句话总结

本文提出了一种名为遗传神经模糊（Genetic Neuro-Fuzzy, GNF）的新型混合人工智能技术，该技术融合了遗传算法、神经网络和模糊逻辑，以提升实时系统中的决策准确性与适应性。该融合机制在置信度层面运作，通过基于得分的信息融合，显著提升了复杂动态环境下的性能表现。

ABSTRACT

This paper describes the design and development of a prototype technique for artificial intelligence based on the fusion of genetic algorithm, neural network and fuzzy logic. It starts by establishing a relationship between the neural network and fuzzy logic. Then, it combines the genetic algorithm with them. Information fusions are at the confidence level, where matching scores can be reported and discussed. The technique is called the Genetic Neuro-Fuzzy (GNF). It can be used for high accuracy real-time environments.

研究动机与目标

• 开发一种统一的人工智能框架，协同整合遗传算法、神经网络与模糊逻辑。
• 通过利用各组件的互补优势——优化能力、学习能力与不确定性处理能力——解决单一AI组件的局限性。
• 通过置信度层面的信息融合，实现实时、高精度的决策。
• 构建一个稳健且自适应的系统，能够应对复杂、不确定且动态变化的环境。
• 在实际人工智能应用中，验证融合模型的可行性及其性能提升。

提出的方法

• 建立神经网络与模糊逻辑之间的基础关联，以实现语义与功能上的整合。
• 通过进化搜索，将遗传算法集成以优化神经模糊系统的参数与结构。
• 实施置信度层面的信息融合，将多个组件的匹配得分聚合以生成决策输出。
• 采用混合架构，其中模糊逻辑处理不确定性，神经网络从数据中学习，遗传算法调优系统参数。
• 设计反馈回路，使遗传算法根据性能指标演化隶属函数与网络权重。
• 在原型系统中应用融合模型，评估其在实时与动态输入场景下的性能表现。

实验结果

研究问题

• RQ1 遗传算法如何有效优化神经模糊系统的参数？
• RQ2 在神经网络、模糊逻辑与遗传算法之间，置信度层面信息融合的最佳方法是什么？
• RQ3 这三种组件的集成是否能显著提升实时环境中决策的准确性与适应性？
• RQ4 与独立或双组件的人工智能系统相比，所提出的GNF模型在处理不确定性和动态数据方面表现如何？
• RQ5 置信度层面的评分在提升融合系统的可靠性与可解释性方面发挥何种作用？

主要发现

• 所提出的遗传神经模糊（GNF）框架成功地将遗传算法、神经网络与模糊逻辑整合为一个协调统一的系统。
• 在置信度层面的融合机制能够有效应对不确定性，并通过基于得分的聚合提升决策的可靠性。
• 由于参数的进化优化，系统在实时环境中展现出更强的适应性与更高的准确性。
• 模糊逻辑与神经网络的集成在不确定或噪声较大的输入条件下，显著提升了系统的可解释性与鲁棒性。
• 遗传算法有效微调了系统的隶属函数与网络权重，从而实现更优的收敛性与性能表现。
• 原型系统在复杂动态决策任务中验证了其可行性与性能优势，证实了该混合方法的有效性。