控制 器 採取 適當 的 動作 。 要 注意 的 是 ， 在 ACE/ASE 架構 中 ， ASE 的 輸出 直接 就 代表 施力 ； 而 在 ACN/ALN 架構 中 ， ALN 的 輸出 代表 的 是 模糊 規則 中 施力 的 歸屬 函數 ， 真正 的 施力 大小 必須 經由 所有 規則 的 合成 才 能 得到 。 圖 10 則 為 Berenji 和 Khedkar 在 1992年 所 提出 的 GARIC （ General Approximatereasoning-based intelligent controller ） 架構 ， 基本 上 和 前述 的 架構 有些 類似 ， 主要 也 是 分為 兩 大 部份 ： 動作 評估 網路 AEN （ Action evaluationnetworks ） 和 動作 選取 網路 ASN （ Action selectionnetwork ） 。 不同 的 是 不再 使用 單一 神經元 作為 評估 器 / 控制器 ， 而 採用 較 複雜 的 網路 型態 。 控制用 的 ASN 用 了 一 個 五 層 的 神經 網路 進行 模糊 推論 ， 而 評估用 的 AEN 則 為 一 兩 層 的 神經 網路 。 另外 ， 值 的 一 提 的 是 隨機 動作 修正 器 （ Stochastic actionmodified ） ， 這 個 修正 器 根據 ASN 所 送來 的 建議 動作 F ， 及 AEN 評估 出來 的 內部 加強 信號 ， 隨機 產生 一 個 高斯 分佈 的 動作 信號 f ， 而 f 的 期望值 即為 F ， 標準差 則 為 像之類 的 函數 。 所以 ， 如果 動作 愈 好 ， 評估器 AEN 輸出 的 愈 大 ， 則 標準差 較 小 ， 表示 動作 F 較 被 肯定 ， 也 就是 f 會 較 接近 於 F ； 反之 ， 較 差 的 動作 會 得到 較 大 的 標準 差 ， 所以 ， 較 差 的 動作 就 會 有 較 高 的 機率 不再 被 重複 。 1994年 Lin 和 Lee 所 提出 的 架構 則 更 複雜 。 他們 用 了 兩 個 前節 所 提 的 NN-FLC （ 見 圖 3 ） ， 構成 控制器 （ 動作 網路 ） 和 預測器 （ 評估 網路 ） ， 而 每 個 NN-FLC 則 分別 由 五 層 的 神經 網路 組成 模糊 推論 系統 。 Lin 和 Lee 的 評估器 稱為 模糊 預測 器 （ Fuzzypredictor ） ， 它 的 前 兩 層 （ 輸入層 和 語意 項層 ） 和 動作 網路 的 前 兩 層 是 共用 的 。 但 兩 者 的 後 三 層 （ 規則 、 推論 、 解 模糊 ） 則 是 獨立 的 。 比較 特殊 的 是 ， Lin 和 Lee 的 學習 機構 ， 並 不 只有 調整 歸屬 函數 的 參數 ， 還 具有 結構 學習 （ Structurelearning ） 的 能力 ， 能夠 決定 究竟 需不需要 增加 網路 節點 。 有 興趣 的 讀者 可 參考 。 四 、 遺傳 基因 學習 法 。 4 .
 
1 演算法 。 遺傳 演算法 （ Genetic Algorithms ， GA ） 以 達爾文 的 「 進化論 」 為 其 發展 根基 ， 是 一 種 模擬 「 物競天擇 」 及 「 自然 遺傳 」 的 搜尋 法則 （ Searchalgorithm ） ， 最初 是 由 密西根 （ Michigan ） 大學 的 John Holland 教授 及 其 同事 、 學生 共同 研究出來 的 。 其 主要 目的 在於 建立 一 個 保有 生物 自然 特性 的 人工 系統 ， 以 便於 模擬 及 解釋 自然 生物 系統 的 進化 過程 。 R B Hollstien 和 K A De Jong 的 研究 指出 遺傳 演算法 ， 是 一 個 極 有效 的 函數 最佳化 法 。 De Jong 在 其 後來 的 研究 更 指出 遺傳 演算法 是 一 種 強健 搜尋 技術 （ Robust searchtechnique ） 。 如今 ， 此 一 法則 已 廣泛 地 應用 於 自然 科學 及 人工 智慧 等 領域 。 在 工程 應用 方面 ， 遺傳 演算法 可 用來 尋找 一 個 問題 （ 或 函數 ） 的 近似 最佳解 。 應用 遺傳 演算法 求解 「 最佳化 問題 」 之前 ， 必須 將 所 遭遇 的 問題 轉化成 對應 的 函數 ， 稱為 適應 函數 （ Fitnessfunction ） ， 適應 函數 代表 著 系統 對 外在 環境 的 適應 能力 （ Fitness ） ， 相當於 該 系統 的 性能 指標 （ performanceindex ） ， 適應 函數 值 愈 大 表示 該 系統 的 性能 愈 好 ， 反之 ， 表示 性能 愈 差 。 遺傳 演算法 的 目的 便是 透過 一些 擬生物化 的 人工 運算 過程 ， 如 重生 、 交配 、 突變 等 進行 演化 ， 最後 ， 尋得 適應 函數 的 最佳解 。 如今 ， 有 許多 文獻 提出 各式各樣 不同 的 方法 來 改良 遺傳 演算法 ， 但 其 基本 精神 都 是 從 「 簡易 遺傳 演算法 」 （ Simple GeneticAlgorithm SGA ） 發展出來 的 。 因此 ， 本 節 僅 就 「 簡易 遺傳 演算法 」 的 運作 過程 加以 說明 。 運用 遺傳 演算法 的 基本 運算子 如 重生