Los sistemas genéticos difusos son sistemas difusos construidos mediante el uso de algoritmos genéticos o programación genética, que imitan el proceso de evolución natural, para identificar su estructura y parámetro.
Cuando se trata de identificar y construir automáticamente un sistema difuso, dado el alto grado de no linealidad de la salida, las herramientas tradicionales de optimización lineal tienen varias limitaciones. Por lo tanto, en el marco de la computación blanda , los métodos de algoritmos genéticos (GA) y de programación genética (GP) se han utilizado con éxito para identificar la estructura y los parámetros de los sistemas difusos.
Los sistemas difusos son metodologías fundamentales para representar y procesar información lingüística , con mecanismos para lidiar con la incertidumbre y la imprecisión. Por ejemplo, la tarea de modelar a un conductor que estaciona un automóvil implica una mayor dificultad para escribir un modelo matemático conciso a medida que la descripción se vuelve más detallada. Sin embargo, el nivel de dificultad no es tanto el uso de reglas lingüísticas simples, que en sí mismas son confusas. Con atributos tan notables, los sistemas difusos se han aplicado ampliamente y con éxito a problemas de control, clasificación y modelado ( Mamdani , 1974) (Klir y Yuan, 1995) (Pedrycz y Gomide, 1998).
Aunque simplista en su diseño, la identificación de un sistema difuso es una tarea bastante compleja que comprende la identificación de (a) las variables de entrada y salida, (b) la base de reglas (base de conocimiento), (c) las funciones de pertenencia y ( d) los parámetros de mapeo.
Por lo general, la base de reglas consta de varias reglas SI-ENTONCES, que vinculan entradas y salidas. Una regla simple de un controlador difuso podría ser:
El impacto numérico / significado de esta regla depende de cómo se configuran y definen las funciones de membresía de HOT y HIGH.