本文主要是研究如何改善基于模糊C-均值聚类方法(FCM)的模糊规则库的生成及优化的问题。通过学习相关的资料,在仔细研究了国内外发展现状的基础上,对基于FCM算法的规则库生成方法进行了改进,并通过遗传算法对模糊推理系统进行优化来进一步优化模糊规则库。首先本文改进了基于FCM算法的模糊规则库的生成方法。针对FCM算法对初值设定敏感而影响聚类效果,训练规则速度较慢等缺点,本文在两个方面做了改进。第一,通过提出新的聚类判别准则来改善聚类效果;第二,通过把硬聚类和FCM聚类相结合,先用硬聚类算法找到模糊聚类中心的迭代初值,然后再用FCM算法进行聚类的方法来提高聚类收敛速度。使用改进的FCM算法生成初始的模糊规则库,在此基础上使用RBF模糊神经网络来进行参数调整进而生成完善的模糊规则库。其次本文在分析了Homaifar优化方法的优缺点的基础上,提出了一种新的基于GA优化模糊推理系统的方法,并给出了相应的优化算法。本文提出的优化方法在以下方面改善了Homaifar优化法的缺陷:遗传算法的编码、适应度函数的选择、适应度函数的选择、具体的实现算法。新的优化算法通过对模糊推理系统的参数和结构进行优化,制定合理的编码规则和遗传算子的选择,并经过实现算法实施,获得优化的模糊神经网络模型,进而得到优化的模糊规则库。最后本文选取具有代表性和普遍性的实例,并且在MATLAB中编程实现所提出的方法。通过对仿真结果进行比较、分析,证明了本文所提方法的有效性和可行性。