ANFIS与PSO融合优化：MATLAB实现鸢尾花分类的智能算法实践-开发者社区

简介：本资源是一套基于MATLAB实现的自适应神经模糊推理系统（ANFIS）代码，融合粒子群优化（PSO）算法完成模型训练，专用于经典Iris数据集的三类花卉分类任务，面向计算机、电子信息工程及数学等专业的本科生，适用于课程设计、期末大作业与毕业设计等实践环节。压缩包共含4个文件（2个.dat训练/测试数据文件、1个核心.m脚本文件PSO_Train_ANFIS.m、1个.gitattributes配置文件），总大小仅4KB，轻量易部署，所有代码采用参数化编程设计，关键超参（如PSO迭代次数、种群规模、ANFIS结构层数等）均集中可调，注释详尽、逻辑清晰，便于理解ANFIS建模流程与PSO优化机制的协同实现。目前已有43人学习下载，读者可直接运行获得完整分类结果，快速掌握智能算法融合建模的核心思路与MATLAB工程化实现方法。

1. 项目概述：当ANFIS遇上PSO，一个经典的智能分类实验

最近在整理过往的代码仓库时，翻出了一个老项目，一个用MATLAB实现的、结合了自适应神经模糊推理系统（ANFIS）和粒子群优化算法（PSO）来解决经典Iris（鸢尾花）分类问题的代码包。这个项目虽然基础，但麻雀虽小五脏俱全，它完整地展示了如何将两种强大的智能算法结合起来，去解决一个实际的模式识别问题。对于刚接触模糊逻辑、神经网络或者优化算法的朋友来说，这是一个非常好的、能“跑起来看结果”的入门案例。它不只是一个简单的脚本，更是一个包含了模型构建、算法集成、训练调优和结果评估全流程的微型工程。

简单来说，这个项目干了这么一件事：我们有一个目标——准确分类三种鸢尾花（Setosa, Versicolor, Virginica）。我们选择的“大脑”是ANFIS，一种能模拟人类模糊推理和自学习能力的混合模型。但ANFIS自己训练（比如用梯度下降）有时会陷入局部最优，或者收敛慢。于是，我们请来了“教练”PSO算法，用一群“粒子”在参数空间里协同搜索，来为ANFIS找到一组更优的初始或训练参数。最终，我们得到一个经过PSO优化训练的ANFIS分类器。这个思路在十多年前是研究热点，现在回头看，其融合思想在如今的深度学习超参数调优（如用贝叶斯优化、遗传算法找最优学习率、网络结构）中依然能看到影子。

2. 核心组件深度解析：ANFIS与PSO为何能珠联璧合

在动手复现或理解这段代码之前，我们必须先吃透两个核心算法的基础，以及它们结合的动机。这决定了整个项目的架构设计。

2.1 ANFIS：当模糊逻辑学会了自我进化

ANFIS，全称Adaptive Neuro-Fuzzy Inference System，直译过来是“自适应神经模糊推理系统”。这个名字本身就揭示了它的本质：一个用神经网络结构来实现的模糊推理系统，并且这个网络的参数可以通过数据来自适应调整。

你可以把它想象成一个拥有“经验法则”的智能体。最初，它的法则（模糊规则）可能是我们凭先验知识粗略设定的，比如“如果花瓣长度较长且花瓣宽度较窄，则可能是Virginica品种”。这里的“较长”、“较窄”就是模糊概念。ANFIS的厉害之处在于，它把这些模糊的“如果-那么”规则，用一层层的神经网络节点固定下来，形成一个可计算的前馈网络结构。标准的ANFIS结构（以Sugeno型为例）包含五层：

模糊化层：将清晰的输入值（如花瓣长度=5.1 cm）转化为对应模糊集合的隶属度（属于“短”的程度是0.1，属于“中”的程度是0.8，属于“长”的程度是0.1）。这里需要确定隶属度函数的形状（如高斯型、三角型）和参数（如中心点和宽度）。
规则层：计算每条模糊规则的前提部分的激活强度（通常用“与”操作，如取乘积或最小值）。有多少条规则，这一层就有多少个节点。
归一化层：将每条规则的激活强度进行归一化，使其和为1。这代表了每条规则对最终结果的相对贡献权重。
结论层：每条规则输出一个清晰的结论。在Sugeno型中，结论通常是输入变量的线性组合。这一层包含了结论函数的参数。
求和输出层：将所有规则的加权结论相加，得到系统的最终清晰输出。

那么，ANFIS如何“学习”？它的所有可调参数，包括模糊化层的隶属度函数参数和结论层的线性组合参数，都可以通过混合学习算法来调整。通常采用结合了最小二乘估计（LSE）和梯度下降（如反向传播）的方法。LSE能高效地确定结论层的线性参数，而梯度下降则缓慢调整前提层的非线性参数（隶属度函数参数）。

为什么需要PSO？问题就出在这个“缓慢调整”上。梯度下降法严重依赖于初始参数。如果初始的隶属度函数设置得离全局最优解太远，ANFIS很容易陷入局部最优，或者需要非常多的迭代次数才能收敛。此外，ANFIS的结构（如规则数）也需要事先确定，这也是一种超参数。这时，我们就需要一个更全局、更鲁棒的优化器来帮忙，这就是PSO登场的原因。

2.2 PSO：来自鸟群觅食的优化智慧

粒子群优化算法是一种基于种群的随机优化技术，灵感来源于鸟群或鱼群的社会行为。它的思想直观优美：一群粒子在搜索空间（即我们的参数空间）中飞行，每个粒子的位置代表一个候选解（比如一组ANFIS的初始参数），速度决定了它飞行的方向和距离。

每个粒子都记得自己历史上找到的最好位置（pbest），同时也知道整个群体中所有粒子找到的最好位置（gbest）。在每一次迭代中，粒子会根据三个因素更新自己的速度：

惯性：保持原有速度的倾向。
认知部分：向自身历史最佳位置pbest靠近的倾向。
社会部分：向群体历史最佳位置gbest靠近的倾向。

通过权重系数平衡这三者，粒子群就能在探索（搜索新区域）和利用（聚焦已知好区域）之间取得平衡，最终协同收敛到一个（希望是全局的）最优解附近。

PSO优化ANFIS的典型策略：在这个项目中，PSO的角色通常是以下两种之一：

优化ANFIS的初始参数：用PSO为ANFIS的隶属度函数参数搜索一组优质的初始值，然后交给ANFIS自身的混合学习算法进行精调。这相当于给ANFIS一个更好的“起点”。
直接优化ANFIS的关键参数：将ANFIS所有需要训练的参数（前提参数和结论参数）编码成一个长向量，作为PSO粒子的位置。PSO的目标函数（适应度函数）直接设置为ANFIS在训练集上的分类错误率或均方误差。PSO负责搜索使错误率最低的参数组合。这种情况下，ANFIS自身的梯度下降学习过程可能被省略，或者与PSO交替进行。

对于Iris分类这种规模的问题，第二种策略更为常见和直接。代码中很可能采用此方案。

2.3 Iris数据集：机器学习界的“Hello World”

Iris数据集是模式识别和机器学习领域最经典的数据集，没有之一。它包含了150个样本，分属三个鸢尾花品种（每类50个），每个样本有4个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。所有特征都是连续数值，量纲为厘米。

它的经典之处在于：

维度适中：4维特征，便于可视化理解（常通过两两特征散点图观察）。
线性不可分：其中Setosa类与其他两类线性可分，但Versicolor和Virginica两类在特征空间中有较大重叠，线性方法难以完美区分，这为非线性模型（如ANFIS）提供了用武之地。
干净整洁：没有缺失值，噪声小，可以让研究者专注于算法本身。

在项目中，我们通常将150个样本随机划分为训练集（如70%，105个）和测试集（如30%，45个），用于评估模型的泛化能力。由于数据量小，有时也会采用交叉验证。

3. 代码架构与实现思路拆解

拿到一个“ANFIS-PSO-for-Iris.rar”这样的压缩包，解压后，我们期望看到的不是一个孤零零的.m文件，而是一个有组织的项目结构。一个结构清晰的实现通常包含以下模块：

ANFIS_PSO_Iris_Project/ ├── data/ │ └── iris.data (或 .mat) # 原始数据集 ├── src/ │ ├── main.m # 主程序入口，控制流程 │ ├── loadAndPreprocessData.m # 数据加载、标准化、划分 │ ├── initANFIS.m # 初始化ANFIS结构（确定规则数、隶属函数类型） │ ├── psoOptimizer.m # PSO算法核心实现 │ ├── anfisCostFunction.m # 适应度函数：给定参数下ANFIS的训练误差 │ ├── trainANFIS_WithPSO.m # 整合PSO与ANFIS的训练流程 │ └── evaluateModel.m # 在测试集上评估性能，计算准确率等指标 ├── utils/ │ ├── plotResults.m # 绘制收敛曲线、分类边界、隶属函数变化等 │ └── stats.m # 计算混淆矩阵、精确率、召回率等 └── results/ # 保存训练好的模型、结果图表

核心流程逻辑如下：

数据准备：加载Iris数据，将类别标签（‘Iris-setosa’等）转化为数值编码（如1,2,3）或独热编码。对特征进行标准化（如z-score），以加速训练并提高性能。然后划分训练集和测试集。
ANFIS结构初始化：这是关键一步。我们需要决定：
- 输入数量：4个特征，所以是4输入。
- 每个输入的隶属函数数量及类型：例如，每个特征使用2个高斯隶属函数（“小”和“大”）。类型选择高斯型因其光滑可微，便于梯度计算。
- 规则数量：如果每个输入有2个MF，理论上会产生 2^4 = 16 条规则。但实际中，为避免“规则爆炸”，可能使用减聚类等方法自动生成更少的规则，或者手动指定一个较小的数量（如4-8条）。
- 输出：对于三分类问题，常见的处理方式有两种：a) 构建一个ANFIS，输出为连续值，然后通过阈值划分为三类；b) 更标准的做法是构建三个ANFIS子系统，每个子系统执行一个“一对多”的二分类任务（如ANFIS1区分Setosa和非Setosa），或者使用单个多输出ANFIS。在MATLAB中，对于分类，常将类别转化为数值后进行回归拟合，预测时取最接近的类别值。
参数编码：将需要优化的ANFIS参数（所有隶属函数的参数和结论参数）拉直成一个一维向量。这个向量的长度就是PSO搜索空间的维度。例如，每个高斯函数有2个参数（中心c和宽度σ），4个特征每个特征2个MF2 = 16个前提参数。结论参数数量取决于规则数和输出维度。这个向量就是PSO粒子的“位置”。
PSO优化器设置：
- 粒子数量：通常20-50。
- 最大迭代次数：50-200。
- 惯性权重w：常采用线性递减策略，如从0.9到0.4，前期鼓励探索，后期促进收敛。
- 学习因子c1和c2：通常都设为2左右。
- 速度限制：防止粒子飞离搜索空间。
适应度函数定义：这是PSO和ANFIS的桥梁。函数输入是一个粒子位置（即一组ANFIS参数），内部需要：
- 将参数向量解码回ANFIS的网络参数。
- 用这组参数配置ANFIS前向传播计算。
- 在训练集上运行，计算预测输出与真实标签之间的误差（如均方误差MSE，或分类错误率）。
- 返回这个误差值作为适应度（PSO要最小化这个值）。
PSO主循环：粒子群不断迭代，更新位置和速度，寻找使适应度函数值最小的参数向量。
获取最优模型：PSO结束后，gbest位置对应的参数向量即为找到的最优ANFIS参数。用这组参数配置最终的ANFIS模型。
测试与评估：在从未参与训练的测试集上运行最优模型，计算分类准确率、混淆矩阵等指标，评估泛化能力。
可视化：绘制PSO的收敛曲线（历代最佳适应度变化），可视化训练后隶属函数的变化，可能的话绘制在某个特征子空间上的分类决策边界。

4. 关键代码模块与实操要点

由于无法展示完整代码，我将以伪代码和重点片段的形式，解析几个核心模块的实现要点和容易踩坑的地方。

4.1 数据预处理与ANFIS初始化

% loadAndPreprocessData.m 关键步骤 data = readmatrix('iris.data'); % 假设是csv格式 features = data(:, 1:4); labels = data(:, 5); % 标签编码：将字符串标签转为 1, 2, 3 [uniqueLabels, ~, labelsEncoded] = unique(labels, 'stable'); % 特征标准化 (Z-score) [featuresNormalized, mu, sigma] = zscore(features); % 划分训练集和测试集 (70%-30%) rng(42); % 固定随机种子，确保结果可复现 cv = cvpartition(labelsEncoded, 'HoldOut', 0.3); trainIdx = cv.training; testIdx = cv.test; X_train = featuresNormalized(trainIdx, :); y_train = labelsEncoded(trainIdx); X_test = featuresNormalized(testIdx, :); y_test = labelsEncoded(testIdx);

> 注意：标准化参数（mu,sigma）必须从训练集计算，然后用于标准化测试集。绝对不能用整个数据集计算后再划分，这会引入数据泄露，导致评估结果过于乐观。

% initANFIS.m 关键步骤 % 假设我们为每个输入特征定义2个高斯隶属函数 numInputs = 4; numMFs = 2; % 每个输入的MF数量 mfType = 'gaussmf'; % 高斯型隶属函数 % 使用 genfis 函数生成初始的FIS结构 % 选项1：基于网格划分（适用于输入维度不高时） opt = genfisOptions('GridPartition'); opt.NumMembershipFunctions = numMFs; opt.InputMembershipFunctionType = mfType; % 为每个输入设置论域范围（标准化后通常在[-3,3]左右） for i = 1:numInputs opt.InputRange(i, :) = [min(X_train(:,i)), max(X_train(:,i))]; end fis = genfis(X_train, y_train, opt); % 注意：genfis默认用于回归，分类需调整 % 更常用的选项2：基于减聚类自动生成规则，能避免规则爆炸 % opt = genfisOptions('SubtractiveClustering'); % opt.ClusterInfluenceRange = 0.5; % 影响范围，决定聚类多少 % fis = genfis(X_train, y_train, opt); % 对于分类任务，我们需要修改FIS的输出部分 % 通常将FIS类型改为Sugeno，并手动设置输出为常数或线性函数，或者使用多个ANFIS。 % 这是一个简化示例，实际项目中可能需要更复杂的设置。

4.2 PSO优化器核心实现

% psoOptimizer.m 核心循环框架 function [gbest, gbest_fit, convergence_curve] = psoOptimizer(costFunc, dim, lb, ub, options) % costFunc: 适应度函数句柄 % dim: 搜索空间维度（ANFIS参数总数） % lb, ub: 每个维度的下界和上界向量 % options: 包含粒子数、迭代次数等参数的结构体 numParticles = options.NumParticles; maxIter = options.MaxIterations; w = options.InertiaWeight; % 可能是一个递减函数 c1 = options.CognitiveWeight; c2 = options.SocialWeight; % 初始化粒子群 particles.position = zeros(numParticles, dim); particles.velocity = zeros(numParticles, dim); particles.pbest.position = zeros(numParticles, dim); particles.pbest.value = inf(numParticles, 1); % 最小化问题，初始为无穷大 for i = 1:numParticles % 在边界内随机初始化位置 particles.position(i, :) = lb + (ub - lb) .* rand(1, dim); % 随机初始化速度，通常限制在位置范围的一定比例内 particles.velocity(i, :) = 0.1 * (ub - lb) .* randn(1, dim); % 计算初始适应度 currentFit = costFunc(particles.position(i, :)); particles.pbest.position(i, :) = particles.position(i, :); particles.pbest.value(i) = currentFit; end % 初始化全局最佳 [gbest_fit, gbest_idx] = min(particles.pbest.value); gbest = particles.pbest.position(gbest_idx, :); convergence_curve = zeros(maxIter, 1); % 主迭代循环 for iter = 1:maxIter % 更新惯性权重（线性递减策略） w_current = w(1) - (w(1)-w(2)) * (iter/maxIter); for i = 1:numParticles % 更新速度 r1 = rand(1, dim); r2 = rand(1, dim); cognitive = c1 * r1 .* (particles.pbest.position(i, :) - particles.position(i, :)); social = c2 * r2 .* (gbest - particles.position(i, :)); particles.velocity(i, :) = w_current * particles.velocity(i, :) + cognitive + social; % 速度边界限制（防止爆炸） particles.velocity(i, :) = max(min(particles.velocity(i, :), options.VelocityLimit), -options.VelocityLimit); % 更新位置 particles.position(i, :) = particles.position(i, :) + particles.velocity(i, :); % 位置边界限制（吸收墙或反射墙） % 吸收墙：粒子停在边界上 particles.position(i, :) = max(min(particles.position(i, :), ub), lb); % 计算新位置的适应度 currentFit = costFunc(particles.position(i, :)); % 更新个体最佳 if currentFit < particles.pbest.value(i) particles.pbest.position(i, :) = particles.position(i, :); particles.pbest.value(i) = currentFit; % 更新全局最佳 if currentFit < gbest_fit gbest = particles.position(i, :); gbest_fit = currentFit; end end end convergence_curve(iter) = gbest_fit; % 可在此添加提前终止条件，如适应度连续多代无改善 end end

> 实操心得：PSO的参数对性能影响巨大。惯性权重w的递减策略能有效平衡探索与利用。学习因子c1和c2通常设为2，但也可以尝试自适应调整。VelocityLimit（速度限幅）非常重要，通常设为位置范围的10%-20%，能防止粒子振荡或飞离搜索空间。边界处理我推荐“吸收墙”，实现简单且稳定。

4.3 ANFIS-PSO适配度函数

这是整个项目最核心也是最容易出错的连接点。

% anfisCostFunction.m function fitness = anfisCostFunction(particlePosition, X_train, y_train, fis_template) % particlePosition: PSO粒子位置，即编码后的ANFIS参数向量 % X_train, y_train: 训练数据 % fis_template: 一个初始的FIS结构，定义了网络拓扑（规则数、MF类型等） % 1. 将粒子位置解码回ANFIS参数矩阵 % 这需要根据fis_template的结构，知道前提参数和结论参数的总数和排列顺序。 % 假设我们有函数 decodeParameters 来完成这个任务。 [premiseParams, consequentParams] = decodeParameters(particlePosition, fis_template); % 2. 将解码后的参数设置到FIS结构中 fis_current = fis_template; % 复制模板 fis_current = setPremiseParameters(fis_current, premiseParams); % 自定义函数 fis_current = setConsequentParameters(fis_current, consequentParams); % 自定义函数 % 3. 使用当前参数化的FIS进行前向传播，计算训练集上的输出 % 注意：ANFIS本质上是一个前馈网络，我们可以编写一个前向传播函数， % 或者利用MATLAB的evalfis函数（但需要处理多输出/分类编码）。 % 这里假设我们有一个自定义的anfisForward函数。 y_pred_train = anfisForward(fis_current, X_train); % 4. 计算误差作为适应度 % 对于回归问题，常用均方误差(MSE) % fitness = mean((y_pred_train - y_train).^2); % 对于分类问题，我们可能将输出四舍五入到最近的整数类别，然后计算错误率 y_pred_class = round(y_pred_train); y_pred_class = max(min(y_pred_class, max(y_train)), min(y_train)); % 限制在标签范围内 misclassification_rate = sum(y_pred_class ~= y_train) / length(y_train); fitness = misclassification_rate; % PSO最小化错误率 % 5. （可选）添加正则化项防止过拟合 % fitness = fitness + lambda * norm(particlePosition)^2; end

> 踩坑警告：decodeParameters和setPremiseParameters等函数需要你非常清楚ANFIS参数在MATLAB FIS对象中的存储结构。MATLAB的FIS对象参数访问可以通过fis.Input(i).MembershipFunctions(j).Parameters来实现。编写这些辅助函数是项目中最繁琐但必须精确完成的部分。一个错误就会导致参数错位，模型完全无法工作。

4.4 主程序流程集成

% main.m clear; clc; close all; % 1. 加载并预处理数据 [X_train, y_train, X_test, y_test, labelInfo] = loadAndPreprocessData(); % 2. 初始化ANFIS结构（确定规则数、MF类型等） fis_init = initANFIS(X_train, y_train); % 返回一个初始的FIS模板 % 计算需要优化的参数总数 numParams = getNumberOfParameters(fis_init); % 3. 定义PSO搜索边界 % 前提参数（如高斯函数的中心和宽度）边界需合理设置。 % 中心c通常在特征值范围内，宽度σ为正数。 lb = -3 * ones(1, numParams); % 示例下界，需根据参数含义细化 ub = 3 * ones(1, numParams); % 示例上界 % 4. 配置PSO选项 options.NumParticles = 30; options.MaxIterations = 100; options.InertiaWeight = [0.9, 0.4]; % 线性递减 options.CognitiveWeight = 2.0; options.SocialWeight = 2.0; options.VelocityLimit = 0.2 * (ub - lb); % 5. 定义适应度函数句柄（固定训练数据） costFuncHandle = @(params) anfisCostFunction(params, X_train, y_train, fis_init); % 6. 运行PSO优化 fprintf('开始PSO优化ANFIS参数...\n'); tic; [bestParams, bestFitness, convergence] = psoOptimizer(costFuncHandle, numParams, lb, ub, options); timeElapsed = toc; fprintf('优化完成！耗时 %.2f 秒，最佳训练错误率：%.4f\n', timeElapsed, bestFitness); % 7. 用最优参数构建最终ANFIS模型 finalFis = constructANFISFromParams(fis_init, bestParams); % 8. 在测试集上评估 y_pred_test = anfisForward(finalFis, X_test); y_pred_test_class = round(y_pred_test); y_pred_test_class = max(min(y_pred_test_class, max(y_train)), min(y_train)); testAccuracy = sum(y_pred_test_class == y_test) / length(y_test) * 100; fprintf('测试集分类准确率：%.2f%%\n', testAccuracy); % 9. 可视化结果 plotConvergenceCurve(convergence); plotConfusionMatrix(y_test, y_pred_test_class, labelInfo); % 可以绘制某两个特征维度上的分类决策边界 plotDecisionBoundary(finalFis, X_train, y_train, X_test, y_test, [1, 3]); % 选择第1和第3个特征

5. 常见问题、调试技巧与性能优化

在实际运行这个项目时，你几乎一定会遇到各种问题。下面是我在多次复现类似项目后总结的“避坑指南”。

5.1 收敛性问题与调试

问题：PSO收敛过快或陷入早熟。
- 排查：绘制收敛曲线。如果曲线在前期就迅速平坦，可能是惯性权重w太小或速度限制太严，导致探索能力不足。
- 解决：增大初始惯性权重（如0.9->0.95），放宽速度限制，或尝试动态调整c1和c2（如前期增大c1鼓励个体探索，后期增大c2促进群体收敛）。
问题：PSO完全不收敛，适应度震荡或发散。
- 排查：检查适应度函数计算是否正确。在anfisCostFunction内部加入断言和中间变量输出，确保解码后的参数能正确设置到FIS中，并且前向传播计算无误。特别检查边界处理逻辑，防止粒子位置出现非法值（如负的宽度σ）。
- 解决：收紧速度限制，降低学习因子c1和c2。确保适应度函数是有效的（输出一个标量数值）。
问题：ANFIS输出全是NaN或异常值。
- 排查：这通常是由于隶属函数参数设置不当导致的。例如，高斯函数的宽度σ过小，导致某些输入点的隶属度计算下溢（接近0），在后续的规则归一化或除法中产生无穷大或NaN。
- 解决：在PSO的边界设置中，为宽度参数σ设置一个正的下界（如0.1）。在anfisCostFunction中，对前向传播计算进行保护，如果检测到NaN或Inf，则返回一个很大的惩罚值（如10^6），引导PSO离开这个不良区域。

5.2 分类性能不佳

问题：训练错误率很低，但测试错误率很高（过拟合）。
- 排查：Iris数据集很小，过拟合风险高。检查ANFIS的规则数是否过多。16条规则对于150个样本可能太复杂。
- 解决：
  1. 简化模型：使用减聚类初始化减少规则数（如4-6条）。
  2. 正则化：在PSO的适应度函数中加入对参数大小的惩罚项（L2正则化），即fitness = error + lambda * sum(params.^2)。通过交叉验证调整λ。
  3. 早停：在PSO迭代中，如果验证集（可以从训练集中再划分一部分）性能开始下降，则停止优化。
问题：多分类处理不当。
- 排查：直接让ANFIS回归输出1,2,3，然后取整，可能不是最优策略。因为类别间的距离并不相等。
- 解决：
  1. 一对多（OvR）：训练3个独立的ANFIS，每个负责区分一个类别和其他所有类别。预测时选择输出值最大的那个ANFIS对应的类别。这是更稳健的做法，代码量会增加，但通常效果更好。
  2. 输出编码：使用独热编码（[1,0,0], [0,1,0], [0,0,1]）作为回归目标，构建一个具有3个输出的ANFIS（这需要修改ANFIS结构以支持多输出）。预测时取输出向量中最大值的索引。

5.3 计算效率优化

瓶颈：PSO的每次迭代都需要为每个粒子计算一次适应度函数，而适应度函数内部包含完整的ANFIS前向传播，在大规模数据集或复杂模型下会非常慢。
优化策略：
1. 向量化计算：确保anfisForward函数是向量化的，能一次性处理整个训练集（N个样本），而不是用for循环逐个样本计算。这能极大提升MATLAB下的运行速度。
2. 并行计算：PSO粒子间的适应度评估是相互独立的。可以使用MATLAB的并行计算工具箱（parfor）并行评估所有粒子的适应度。在主循环中，将粒子评估部分改为parfor循环。
```
parfor i = 1:numParticles currentFit = costFunc(particles.position(i, :)); ... % 注意：parfor内更新全局变量有严格限制，通常需要将结果收集到临时变量中，循环后再统一更新pbest和gbest。 end
```
3. 减少迭代次数和粒子数：对于Iris这样的小问题，30个粒子迭代100次通常足够。可以通过观察收敛曲线来调整。
4. 适应度函数简化：在PSO初期，可以使用训练集的一个子集（如50%）来快速评估适应度，以粗略定位有希望的区域。在后期再使用全训练集进行精调。

5.4 结果复现与随机性

问题：每次运行结果（最终准确率）都不一样。
原因：随机性来自三个方面：1) 训练集/测试集随机划分；2) PSO粒子群随机初始化；3) PSO速度更新中的随机数r1,r2。
确保复现的方法：
1. 在脚本开头使用rng(seed)（例如rng(42)）固定MATLAB的随机数生成器种子。
2. 确保数据划分函数（如cvpartition）使用了固定的随机种子。
3. 在PSO初始化粒子位置和速度时，使用rand和randn，它们会受到全局rng状态的影响。