【模糊认知图】RCGA-FCM进化算法学习模糊认知图 Genetic learning of fuzzy cognitive maps

摘要

以前生成FCM需要结合专家知识，本文提出的是使用基于遗传算发，只使用历史数据，并不需要人为干预，自动的生成FCM，本文还对FCM的规模大小和连接密度进行了比较。

• 提出了一种新的算法，在建立发展FCM模型的时候使用连续状态的经验数据集，没有进行人为干预。提供一种全自动的解决方案来学习FCMs。
• 比较了几种基于遗传算法（GA）的学习FCM的方法，并在大量的实验环境基础上选择了最有效的设计环境。
• 进行有组织、全面的测试，考虑到大量不同类型的FCMs，并提出确定的设计方针。

FCM定义

1. N = { N 1 , N 2 , … , N n } N=\left\{N_{1}, N_{2}, \ldots, N_{n}\right\} N={N1​,N2​,…,Nn​} 是模糊认知图中概念点的集合。
2. $\mathbf{E}:\left(N_i,N_j\right)\to e_{ij}$是$N\times N$到K的函数，它将$e_{ij}$与$\left(N_i,N_j\right)$概念点联系起来，如果$i̸=j$，$e_{ij}$代表概念点$N_i$到$N_j$有向边的权重；如果$i=j$，$e_{ij}为0$，因此$\mathbf{E}(N\times N)=\left(e_{ij}\right)\in K^{n\times n}$为一个连接矩阵。
3. $\mathbf{C}:N_i\to C_i$代表每个概念点$N_i$将其激活度序列关联起来，如$t\in \mathbf{N},C_i(t)\in L$给定$t$时刻的激活度。$\mathbf{C}(0)\in L^n$表示初始向量，并指定所有概念节点的初值，$\mathbf{C}(t)\in L^n$是在某一迭代数$t$。
4. $f:\mathbf{R}\to L$是个转化函数，当$t⩾0$包涵$\mathbf{C}(t+1)$和$\mathbf{C}(t)$之间循环关系
   ∀ i ∈ { 1 , … , n } , C i ( t + 1 ) = f ( ∑ i = 1 j ≠ i n e j i C j ( t ) ) \forall i \in\{1, \ldots, n\}, \quad C_{i}(t+1)=f\left(\sum_{i=1 \atop j \neq i}^{n} e_{j i} C_{j}(t)\right) ∀i∈{1,…,n},Ci​(t+1)=f⎝⎜⎛​j̸​=ii=1​∑n​eji​Cj​(t)⎠⎟⎞​
   规范化函数$f$
   $$f(x)=\frac{1}{1+e^{-Cx}}$$
   C是一个参数，来调整函数的形状
   文中提到两个概念为极限环和定点吸引子，两个概念都是用来描述收敛性质的，定点吸引子较好理解，极限环就像天体运动中，地球围绕太阳运动的一种稳定状态一样。

算法介绍（RCGA-FCM）

本文使用实数编码的遗传算法来学习FCM的连接矩阵，使用历史数据组成的状态向量进行输入学习，该算法是全自动的，不需要专家知识的人为干预。

1. 染色体结构
   每个染色体都为一个浮点向量，代表FCM中连接矩阵，将其变成一维向量的形式，如下所示。
   $$\hat{\mathbf{E}}={\left[e_{12},e_{13},\dots ,e_{1N},e_{21},e_{23},\dots ,e_{2N},\dots ,e_{NN-1}\right]}^{\mathrm{T}}$$
   其中$e_{ij}$的值代表概念点$i$到概念点$j$的权重值。
2. 适应度函数
   $${\text{ Error }}_{-}{L}_p=\alpha \sum _{t=1}^{K-1}\sum _{n=1}^N{\left|C_n(t)-{\hat{C}}_n(t)\right|}^p$$
   定义$\mathbf{C}(t)$为初始化向量，$\mathbf{C}(t+1)$为系统响应，输入的数据是由{初始化向量，系统响应}这样的数据对组成。公式中$\mathbf{C}(t)=\left[C_1(t),C_2(t),\dots ,C_n(t)\right]$是$\mathbf{C}(t-1)$作为系统初始化向量的已知系统响应。
   $\hat{\mathbf{C}}(t)=\left[{\hat{C}}_1(t),{\hat{C}}_2(t),\dots ,{\hat{C}}_n(t)\right]$是候选FCM初始化向量为$\mathbf{C}(t-1)$的系统响应。
   最终的适应度函数为：
   $$\text{ Fitness function }=h\left({\text{ Error }}_{-}{L}_p\right)$$
   其中h为一个辅助函数
   $$h(x)=\frac{1}{ax+1}$$
3. 停止条件
   学习成功或者达到最大迭代次数
4. 进化算子和选择策略
   交叉算子：单点交叉
   变异算子：随机变异、非均匀变异（non-uniform mutation）、Mühlenbein’s 变异
   选择算子：轮盘赌、锦标赛

实验和结果

衡量结果标准：

1. 输入数据误差标准：把输入数据和候选FCM根据相同的初始状态向量生成的数据进行相似度比较：
   $${\text{ error }}_{-}\text{ initial }=\frac{1}{(K-1)\cdot N}\sum _{t=1}^{K-1}\sum _{n=1}^N\left|C_n(t)-{\hat{C}}_n(t)\right|$$
   其中$C_n(t)$是第n个节点第$t$次迭代的输入数据，${\hat{C}}_n(t)$是第n个节点在候选FCM中第$t$次迭代的模拟值，K是输入数据的长度，N是概念点的个数。

2. 模型行为误差标准：测量候选FCM的泛化能力。
   $${\text{ error }}_{-}\text{ behavior }=\frac{1}{P\cdot (K-1)\cdot N}\sum _{p=1}^P\sum _{t=1}^{K-1}\sum _{n=1}^N\left|C_n^p(t)-{\hat{C}}_n^p(t)\right|$$
   $C_n^p(t)$是从第p初始状态向量开始输入FCM模型生成的数据在迭代$t$时节点n的值，${\hat{C}}_n^p(t)$是从第p初始状态向量开始候选FCM模型生成的数据在迭代$t$时节点n的值，K是输入数据的长度，N是概念点的个数，P是不同个初始化向量的数量。