本发明属于优化控制，涉及一种基于群体智能优化算法与梯度下降法相结合的模糊认知图权值矩阵的学习方法，更具体地说，涉及一种基于混合优化的模糊认知图学习方法。
背景技术：
1、模糊认知图由概念节点和权值矩阵组成，由于其结合了模糊集理论和认知图理论，在工业控制、多智能体系统等领域得到了广泛应用。在建立模糊认知图模型时，由人工直接给定模糊认知图权值对于先验知识有很高的客观性和准确性要求，因此，从数据中学习模糊认知图的权值成为重要研究方向。现有的模糊认知图学习算法可以分为两类：一是基于数学计算的学习方法，包括简单微分hebbian学习算法、梯度下降法等；二是基于群体优化的学习方法，如遗传算法、粒子群算法等。两类算法均有各自的优势及局限性：基于数学计算的学习方法具有速度快、精度高的优点，但是要求目标函数连续、可微，且学习结果高度依赖初始解的选取；而基于群体的优化算法不要求目标函数可微且不依赖初始解的选取，但对算力要求较高，优化后期效果提升有限。因此，基于混合优化的模糊认知图学习方法就是利用两类算法各自的优势，在算法迭代前期通过群体优化的庞大种群迅速进入权值的全局最优区间，避免随机初始解对于梯度计算的影响，后期转入梯度下降法通过计算梯度准确找到优化方向，使得算法更快收敛。
技术实现思路
1、本发明要解决的技术问题是如何更加准确、快速的通过数据学习出模糊认知图的权值矩阵。为了解决上述问题，本发明提供了一种基于混合优化的模糊认知图学习方法，通过将粒子群优化算法和梯度下降法相结合，发挥两类算法的优点，规避各自的局限性，提升权值学习的速度和准确性。
2、一种基于混合优化的模糊认知图学习方法，它包括以下步骤：
3、步骤1：将模糊认知图节点根据理想权值推理至稳定状态后的值作为期望输出，节点根据当前实际权值推理至稳定状态后的值作为实际输出，计算实际输出与期望输出之间的误差平方和，作为目标函数；
4、设计粒子群优化算法的目标函数；
5、步骤2：按照权值矩阵中非零值的个数，设置粒子个体的维度，并将权值矩阵中非零值与个体维度一一对应，完成个体编码，同时设置种群个体数量和最大迭代步数，初始化种群；
6、步骤3：在个体最优和群体最优的引导下，按照粒子群算法的更新公式更新整个种群；
7、步骤4：代入更新后的个体位置对应的权值矩阵重新计算目标函数，更新个体最优和群体最优；
8、步骤5：判断是否满足停止条件：达到粒子群最大迭代步数或群体最优的变化小与设定阈值，若是，转入步骤6，否则转入步骤3；
9、步骤6：停止粒子群优化，输出群体最优作为梯度下降法的初始解向量，设置梯度下降法的最大迭代步骤；
10、步骤7：根据导数的定义计算目标函数对于各权值的梯度；
11、步骤8：代入梯度和学习率，根据梯度下降法更新公式更新各个权值，根据权值重新计算目标函数；
12、步骤9：判断是否满足停止条件：达到梯度下降法的最大迭代步数或目标函数的变化小与设定阈值，若是，转入步骤10，否则转入步骤7；
13、步骤10：按照粒子群个体编码顺序，将当前权值向量反编码，形成最终模糊认知图的权值矩阵。
14、本发明有益效果：
15、本发明能够从数据中准确、快速的学习模糊认知图权值矩阵，相比于单一的学习算法，基于混合优化的学习方法具备不依赖初始解的质量、后期收敛速度快，学习结果更加准确等优点。
1.一种基于混合优化的模糊认知图学习方法，其特征在于，它包括以下步骤：
