软计算概述
软计算于1980年首次引入，用于处理现实生活中的复杂问题。与传统的计算方法不同，传统的计算方法不能精确地用数学模式描述复杂的计划，软计算方法倾向于从模糊逻辑、神经网络和遗传算法等技术建立近似模型。
图1：解决问题的方法
图1显示了软硬计算的原理差异。左边的图显示了传统的硬计算需要一个基于二进制逻辑的精确状态分析模型，即数值分析。另一方面，软计算处理部分真实、不确定性和近似，通过近似推理技术估计出了结果。
模糊逻辑
模糊逻辑的概念基于表示人类知识的“真实程度”，其可以在0到1的范围内。图2显示了模糊逻辑系统的一般结构。
图2模糊逻辑系统的体系结构
第一步，通过模糊化接口将Crisp数值输入转换为模糊语言值。然后，推理引擎采用模糊输入和基于模糊规则来推断模糊输出。模糊规则库是在涉及语言变量的“IF-THEN”规则下形成的。模糊逻辑的第一步，计算得到一个确定的值，这个过程叫做去模糊化。利用该设计的优点，将模糊逻辑应用于过渡方法难以设计和稳定的非线性控制系统。
人工神经网络
人工神经网络(ANN)是受生物大脑启发而进行的信息处理。神经网络是一个被称为神经元的相互连接的大网络，用来执行一系列的操作。基本上，ANN由三层组成:输入层、隐藏层和输出层，每一层都可以有很多节点。神经网络必须通过喂食模式来训练。这让网络改变其权重函数依赖于一些定义好的学习规则。学习过程分为有监督的和无监督的。在监督学习中，通过输入和匹配输出模式来训练网络。相比之下，无监督学习只能通过输入模式进行训练。由于网络必须经过训练，人工神经网络的性能在很大程度上取决于训练数据集的质量。此外，在复杂的人工神经网络系统中可能需要过度训练。
遗传算法
遗传算法的基本思想是在自然环境中模拟自然选择，在自然环境中选择最合适的元素并重新分配以产生下一代的后代。一般而言，遗传算法的过程为:
- 初始化随机种群
- 评估并根据需要找到最适合的个体
- 交叉，通过提取所选元素的最佳方面来创建新个体。
- 重复步骤1直到达到终止条件。
本文概述了当前的软计算技术以及一些常用方法的一般概念。