摘要
目前，在置信规则库系统(Belief Rule Base，BRB)的研究中，前项属性、置信度、规则数量等参数根据专家知识或历史数据给出的，导致BRB参数优化因专家知识或历史数据的局限而不准确，同时会影响BRB分类系统输出的准确率。鉴于此，对置信规则库专家系统参数进行优化，提高置信规则库专家系统的性能具有十分重要的意义。考虑到人工蜂群算法具有较强的搜索能力，本文使用人工蜂群算法优化置信规则库的参数，提高其推理性能。主要研究内容如下： (1)目前现有的基于规则库的分类方法中，系统的初始参数是根据专家知识或历史数据给出。然而无论初始参数是什么，都不能保证BRB系统达到较高的推理性能。因此，为了更有效地提升BRB系统的推理性能，考虑到目前基于人工蜂群算法(Artificial Bee Colony Algorithm，ABC)优化置信规则库系统参数具有参数少、优化简单等特性，较适用于分类器参数优化以及分类问题。因此将ABC算法作为优化引擎，应用于BRB参数优化及其分类中。 (2)针对传统ABC算法存在收敛速度慢、容易陷入局部最优等问题，提出了随机多组共同交互搜索策略的改进算法(Rand group Artificial Bee Colony Algorithm，RgABC)，在雇佣蜂和观察蜂环节把原来单一的解的搜索更新方式改进为随机多组共同交互搜索模式，并结合不同的搜索策略更新解，在基准函数上的实验结果表明，该方法在收敛速度和优化精度方面都有了很大的提升。 (3)在改进的RgABC算法基础上，完成了RgABC-BRB分类模型的建立，分析RgABC算法和置信规则库推理相结合的原理，通过蜂群算法选择及优化BRB系统的参数，进而增大分类的准确性。在实验中分别使用RgABC-BRB模型、ABC-BRB模型以及BRB模型进行分类，通过在发动机故障诊断以及人体行为分类识别问题上的应用，证明了所提出方法的适用性。
NETL