Аннотация: Приводятся описание особенностей использования и преимуществ генетического алгоритма для обучения нейро-нечеткой сети. Авторами осуществляется обзор литературных источников, в которых рассматриваются модификации генетического алгоритма, адаптированные для решения различных задач. Выявлено, что существующие подходы к реализации генетического алгоритма содержат ряд недостатков для обучения нейро-нечеткой сети. Так при формировании хромосомы интервал, содержащий пик функции принадлежности, кодируется с помощью 1, в противном случае – 0. Это сказывается на разрешающей способности при поиске оптимального решения. Авторы также подробно рассматривают такие аспекты, как операторы базового алгоритма и приводят схему комбинированного метода обучения сети. Для обучения нейро-нечеткой сети на основе генетического алгоритма предлагается подход кодирования функций принадлежности, основанный на α–уровне. В качестве фитнесс-функции генетического алгоритма была использована среднеквадратичная ошибка. Новизна исследования заключается в предложенном авторском подходе кодирования функций принадлежности, основанном на α–уровне, что позволяет повысить разрешающую способность алгоритма при поиске оптимального решения
Основным выводом проведенного исследования являются тот факт, что предложенный в статье подход позволяет провести корректировку параметров функций принадлежности лингвистических переменных для нейро–нечеткой сети и получить более адекватные значения параметров выходного слоя сети.

Abstract: The authors of the article describe the features of the use and advantages of the genetic algorithm for learning the neural-fuzzy network. The authors review the literature sources that consider modifications of the genetic algorithm adapted to solve various problems. The authors found that the existing approaches to the implementation of the genetic algorithm contain a number of drawbacks for learning the neural-fuzzy network, so when forming a chromosome, the interval containing the peak of the membership function is encoded with 1, otherwise it is 0. This affects the resolving power when searching for the optimal solutions. The authors of the article also discuss in detail such aspects as the operators of the basic algorithm and give the scheme of the combined method of learning the network. To teach a neural-fuzzy network based on a genetic algorithm, the authors propose an approach for coding membership functions based on the α-level. As a fitness function of the genetic algorithm, the root-mean-square error was used. The novelty of the research is caused by the fact that the authors offer their own approach of coding membership functions based on the α-level which allows to increase the resolution of the algorithm when searching for the optimal solution. The main conclusion of the research is the fact that the approach proposed in the article makes it possible to adjust the parameters of the membership functions of linguistic variables for the neural-fuzzy network and to obtain more adequate values for the parameters of the output layer of the network.