向寅鴻，周愷卿，楊森宇，張軒宇，康棣文

基于逆向搜索的模糊Petri網(wǎng)分層算法

向寅鴻，周愷卿*，楊森宇，張軒宇，康棣文

（吉首大學(xué) 通信與電子工程學(xué)院，湖南 吉首 416000）（?通信作者電子郵箱kqzhou@jsu.edu.cn）

模糊Petri網(wǎng)（FPN）是知識(shí)庫(kù)系統(tǒng)（KBS）表示、建模與分析的主要工具之一。針對(duì)部分FPN層次結(jié)構(gòu)不清晰、庫(kù)所/變遷間從屬關(guān)系不明確的問題，提出一種基于逆向搜索的FPN分層算法（HFPN-RS）以實(shí)現(xiàn)非層次化FPN到層次化FPN（HFPN）的自動(dòng)轉(zhuǎn)換。首先，從終結(jié)庫(kù)所開始對(duì)整個(gè)FPN進(jìn)行逆向搜索，將所有輸入庫(kù)所的前集、輸出庫(kù)所的后集分別劃分在同一層；其次，通過添加虛庫(kù)所-虛變遷對(duì)的方式明確整個(gè)模型的層次結(jié)構(gòu)；同時(shí)提出兩條相關(guān)定理以明確HFPN分層層數(shù)的下確界和層次化操作中需要添加的最少虛庫(kù)所-虛變遷對(duì)數(shù)，并給出經(jīng)層次化操作后具有完整分層結(jié)構(gòu)的FPN模型關(guān)聯(lián)矩陣維度計(jì)算公式。在實(shí)驗(yàn)部分，通過對(duì)幾類各具特點(diǎn)的FPN模型進(jìn)行層次化操作，并利用所提定理進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，添加虛庫(kù)所-虛變遷對(duì)后新FPN模型具有清晰的層次結(jié)構(gòu)，為下一步FPN泛化能力等研究?jī)?nèi)容的深入提供了理論基礎(chǔ)。

模糊Petri網(wǎng)；層次化；逆向搜索；虛庫(kù)所-虛變遷對(duì)；關(guān)聯(lián)矩陣

0 引言

模糊Petri網(wǎng)（Fuzzy Petri Net， FPN）是一類向后拓展的高級(jí)Petri網(wǎng)（Petri Net， PN）拓?fù)浣Y(jié)構(gòu)，它在繼承PN描述異步并發(fā)和圖形表示能力的基礎(chǔ)上，還具有對(duì)知識(shí)庫(kù)系統(tǒng)（Knowledge Based System， KBS）或?qū)＜蚁到y(tǒng)（Expert System， ES）建模與執(zhí)行模糊推理的能力［1-3］。目前，F(xiàn)PN被廣泛應(yīng)用于生物系統(tǒng)［4-5］、能源系統(tǒng)［6-7］、制造業(yè)系統(tǒng)［8-9］和交通控制系統(tǒng)［10-11］等領(lǐng)域，但FPN仍存在部分參數(shù)難以精確獲得、泛化能力弱等不足［1］。針對(duì)這一問題，圍繞FPN自適應(yīng)能力的泛化展開了一系列研究：文獻(xiàn)［12-13］中結(jié)合FPN與神經(jīng)網(wǎng)絡(luò)，系統(tǒng)地研究了一類動(dòng)態(tài)自適應(yīng)FPN（Adaptive FPN， AFPN），并應(yīng)用于表示動(dòng)態(tài)知識(shí)，使得FPN模型初步具備了自適應(yīng)能力；文獻(xiàn)［14］中將改進(jìn)的遺傳粒子群算法應(yīng)用于模糊知識(shí)動(dòng)態(tài)表示（Dynamic Representation of Fuzzy Knowledge， DRFK）模型，一定程度上增強(qiáng)了FPN自學(xué)習(xí)能力；文獻(xiàn)［15］中提出一種結(jié)合直覺模糊抑制弧PN（Intuitionistic Fuzzy Inhibitor Arc PN， IFIAPN）和誤差反向傳播算法的電網(wǎng)故障診斷方法，利用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練模型的權(quán)重參數(shù)，提高推理精度；文獻(xiàn)［16］中提出了一種加權(quán)模糊神經(jīng)PN（Weighted Fuzzy Neural PN，WFNPN），并應(yīng)用于微電網(wǎng)的故障診斷，緩解了FPN對(duì)人工經(jīng)驗(yàn)的過度依賴，提高了泛化能力；文獻(xiàn)［17］中提出了一種基于PN、模糊理論和神經(jīng)網(wǎng)絡(luò)算法的神經(jīng)FPN（Neural FPN， NFPN），并應(yīng)用于電機(jī)故障診斷；文獻(xiàn)［18］中設(shè)計(jì)了一種遞歸小波Petri模糊神經(jīng)網(wǎng)絡(luò)（Recurrent Wavelet Petri Fuzzy Neural Network， RWPFNN）控制器，用于快速響應(yīng)控制電網(wǎng)事故，減小故障對(duì)電網(wǎng)的影響。

由上述文獻(xiàn)可知，將FPN神經(jīng)網(wǎng)絡(luò)化后，采用相應(yīng)優(yōu)化算法優(yōu)化參數(shù)，提高FPN的自適應(yīng)能力，以提高推理精度是FPN的研究熱點(diǎn)之一。作為一類有向二分圖，F(xiàn)PN可將庫(kù)所分為輸入庫(kù)所集、中間庫(kù)所集和輸出庫(kù)所集這3類，該結(jié)構(gòu)天然對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)固有的輸入層、隱藏層、輸出層這3層結(jié)構(gòu)［19］。FPN的這一結(jié)構(gòu)特點(diǎn)為FPN模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化提供了可能，為充分利用神經(jīng)網(wǎng)絡(luò)的相關(guān)成果拓展FPN的應(yīng)用領(lǐng)域奠定了基礎(chǔ)。

與神經(jīng)網(wǎng)絡(luò)模型相比，F(xiàn)PN中的庫(kù)所/變遷存在嵌套使用情況，使FPN結(jié)構(gòu)層次不清晰、庫(kù)所/變遷間從屬關(guān)系不明確，導(dǎo)致FPN的類神經(jīng)網(wǎng)絡(luò)層次化操作難以自動(dòng)實(shí)現(xiàn)；因此如果將神經(jīng)網(wǎng)絡(luò)的相關(guān)研究成果充分運(yùn)用于FPN模型，則需要對(duì)FPN模型進(jìn)行層次劃分，從而明確庫(kù)所/變遷間的從屬關(guān)系。文獻(xiàn)［20］中提出的分層算法對(duì)部分情形考慮欠缺，如具有多輸入/多輸出庫(kù)所結(jié)構(gòu)的FPN模型，無法得到清晰的層次結(jié)構(gòu)等。為解決這一問題，本文針對(duì)無環(huán)結(jié)構(gòu)的FPN模型提出了一種基于逆向搜索的FPN分層算法（Hierarchical algorithm of FPN by Reverse Search， HFPN-RS）。本文算法首先從終結(jié)庫(kù)所開始對(duì)整個(gè)FPN逆向搜索，利用前后集、可達(dá)集和直接可達(dá)集等概念，將所有輸入庫(kù)所的后集、輸出庫(kù)所的前集分別劃分在同一層；其次通過添加虛庫(kù)所-虛變遷對(duì)明確整個(gè)模型的層次結(jié)構(gòu)；同時(shí)，本文提出相關(guān)定理明確了層次化FPN（Hierarchical FPN， HFPN）的分層層數(shù)的下確界和層次化操作中需添加的最少虛庫(kù)所-虛變遷對(duì)數(shù)，并給出了經(jīng)層次化操作后具有完整分層結(jié)構(gòu)的FPN模型關(guān)聯(lián)矩陣維度計(jì)算公式；最后，對(duì)提出的分層算法編程實(shí)現(xiàn)，通過相關(guān)案例，分別從實(shí)驗(yàn)結(jié)果和理論驗(yàn)證兩方面驗(yàn)證HFPN-RS的正確性和魯棒性。

1 FPN及相關(guān)定義

本章介紹HFPN-RS涉及的相關(guān)概念［13，21-23］。

定義1 FPN。

定義2 前集、后集。

定義3 輸入庫(kù)所、輸出庫(kù)所、中間庫(kù)所、輸入庫(kù)所集、中間庫(kù)所集和輸出庫(kù)所集。

定義4 虛變遷、虛庫(kù)所。

圖1　庫(kù)所和變遷、虛庫(kù)所和虛變遷

在分層過程中，虛庫(kù)所和虛變遷僅起中間過渡作用，除了增加模型的規(guī)模，對(duì)模型的知識(shí)表示和推理沒有造成其他影響。

定義5 直接可達(dá)集、可達(dá)集。

定義6 關(guān)聯(lián)矩陣。

定義7 路徑、最長(zhǎng)路徑。

2 HFPN?RS

若FPN具有清晰的層次結(jié)構(gòu)，需要滿足以下兩個(gè)條件：1）輸入庫(kù)所集的后集集合、輸出庫(kù)所集的前集集合分別劃分在同一層；2）除第一層和最后一層，其他每層變遷集合的后集等于下一層的前集，變遷集合的前集等于上一層的后集。因此，HFPN-RS的核心思想判斷當(dāng)前庫(kù)所或變遷集合及其對(duì)應(yīng)的后集集合是否在同一層，若不在同一層則通過添加虛庫(kù)所-虛變遷對(duì)調(diào)整層次結(jié)構(gòu)。具體地，HFPN-RS通過添加虛庫(kù)所-虛變遷對(duì)實(shí)現(xiàn)層次劃分，可以分為以下3個(gè)步驟：

1）首先判斷當(dāng)前變遷是否有額外的輸出，若存在，則在該變遷及其后集庫(kù)所間添加虛庫(kù)所-虛變遷對(duì)。

2）其次判斷當(dāng)前庫(kù)所是否有額外的輸出，若存在，則在該庫(kù)所及其后集變遷間添加虛庫(kù)所-虛變遷對(duì)。

3）最后判斷當(dāng)前層的前集是否等于輸入庫(kù)所集，若不相等，則需要在對(duì)應(yīng)的輸入庫(kù)所及其后集變遷間添加虛庫(kù)所-虛變遷對(duì)。

2.1　HFPN-RS的步驟

結(jié)合上述算法設(shè)計(jì)思想，HFPN-RS的詳細(xì)步驟如算法1所示。

算法1 HFPN-RS。

輸入 庫(kù)所集、變遷集、輸入矩陣和輸出矩陣。

2.2　本文相關(guān)定理

在HFPN-RS的基礎(chǔ)上，給出兩個(gè)相關(guān)定理以確定FPN分層層數(shù)的下確界和最少需要添加的虛庫(kù)所-虛變遷對(duì)數(shù)。

由上述分析可知，無論給定的FPN層次是否明確，經(jīng)層次化操作后均可得到一個(gè)含有層的層次化明晰的FPN模型，即是一個(gè)確界。

綜上所述，為保證任意給定FPN滿足層次化要求的最小分層層數(shù)，即FPN模型分層層數(shù)的下確界等于最長(zhǎng)路徑長(zhǎng)度。 證畢。

定義8 覆蓋路徑。

在求解最少添加的虛庫(kù)所-虛變遷對(duì)數(shù)時(shí)，通過計(jì)算當(dāng)前路徑的覆蓋路徑在該路徑上添加的虛庫(kù)所-虛變遷對(duì)數(shù)避免重復(fù)計(jì)算需添加的虛庫(kù)所-虛變遷對(duì)，以保證整個(gè)FPN模型需添加的虛庫(kù)所-虛變遷對(duì)數(shù)最少。

2.3　HFPN-RS時(shí)間復(fù)雜度分析

3 實(shí)驗(yàn)與結(jié)果分析

通過Java語(yǔ)言編程實(shí)現(xiàn)HFPN-RS，并通過4個(gè)實(shí)驗(yàn)案例驗(yàn)證本文算法的有效性。由于虛庫(kù)所和虛變遷只起中間過渡作用，且相應(yīng)的權(quán)值、閾值和確信度都已確定，因此本文實(shí)驗(yàn)只驗(yàn)證FPN模型的結(jié)構(gòu)，未涉及其他FPN相關(guān)參數(shù)。實(shí)驗(yàn)環(huán)境為Windows 11操作系統(tǒng)，JDK 1.8。編程語(yǔ)言為Java。

由第2章可知，若FPN模型具有清晰的層次結(jié)構(gòu)，需要滿足以下兩個(gè)條件：

1）輸入庫(kù)所集的后集集合、輸出庫(kù)所集的前集集合分別劃分在同一層。

2）除第一層和最后一層外，其他每層變遷集合的后集等于下一層的前集，變遷集合的前集等于上一層的后集。

基于這兩點(diǎn)設(shè)計(jì)如下實(shí)驗(yàn)：首先根據(jù)待分層的FPN模型得到它對(duì)應(yīng)的輸入矩陣、輸出矩陣，并利用定理1、2預(yù)估新FPN模型的規(guī)模；其次將輸入矩陣、輸出矩陣作為HFPN-RS的輸入，運(yùn)行分層算法（算法1）驗(yàn)證定理，并輸出每一層的變遷集合、新FPN模型的關(guān)聯(lián)矩陣和矩陣的維度；最后根據(jù)關(guān)聯(lián)矩陣得到圖形化FPN，直觀展示新FPN清晰的層次結(jié)構(gòu)。

從以下4種不同角度分別驗(yàn)證HFPN-RS的正確性和魯棒性：

1）單輸入庫(kù)所FPN模型。

2）FPN模型庫(kù)所/變遷層次關(guān)系已經(jīng)明確。

3）多輸入/輸出庫(kù)所，且輸入庫(kù)所、輸出庫(kù)所層次從屬關(guān)系不同。

4）中間庫(kù)所集、變遷的層次結(jié)構(gòu)不明確，存在嵌套使用。

案例詳細(xì)實(shí)驗(yàn)如下：

案例1 單輸入庫(kù)所FPN模型。待分層的FPN圖2所示。

圖2　案例1的FPN模型

新生成的FPN如圖3所示。

圖3　案例1層次化后的FPN模型

案例1得到的分層結(jié)果與文獻(xiàn)［20］中FPN的結(jié)構(gòu)相同，都建立了清晰的層次結(jié)構(gòu)，說明HFPN-RS同樣適用于模糊推理算法中連續(xù)函數(shù)的建立。

案例2 FPN模型庫(kù)所/變遷層次關(guān)系已經(jīng)明確。待分層的FPN如圖4所示。

圖4　案例2的FPN模型

案例3 多輸入/輸出庫(kù)所，且輸入庫(kù)所、輸出庫(kù)所層次從屬關(guān)系不同。待分層的FPN如圖5所示。

新的FPN如圖6所示。

圖6　案例3層次化后的FPN模型

案例4 中間庫(kù)所集、變遷的層次結(jié)構(gòu)不明確，存在嵌套使用。待分層的FPN如圖7所示。

新的FPN如圖8所示。

圖8　案例4層次化后的FPN模型

上述4種不同角度（單輸入庫(kù)所FPN模型；FPN模型庫(kù)所/變遷層次關(guān)系已經(jīng)明確；多輸入/輸出庫(kù)所，且輸入庫(kù)所、輸出庫(kù)所層次從屬關(guān)系不同；中間庫(kù)所集、變遷的層次結(jié)構(gòu)不明確，存在嵌套使用）的實(shí)驗(yàn)案例都通過運(yùn)行HFPN-RS得到了結(jié)構(gòu)清晰、規(guī)模最小的HFPN，充分體現(xiàn)了HFPN-RS的正確性與魯棒性。同時(shí)，針對(duì)任意給定的FPN模型，由定理1、2預(yù)測(cè)得到HFPN的最小分層層數(shù)和添加虛庫(kù)所-虛變遷對(duì)的個(gè)數(shù)與實(shí)驗(yàn)得到的完全一致，驗(yàn)證了定理1、2的正確性。

4 結(jié)語(yǔ)

針對(duì)部分FPN不具有清晰的層次結(jié)構(gòu)、庫(kù)所/變遷間從屬關(guān)系不明確的問題，本文提出了HFPN-RS以實(shí)現(xiàn)將非層次化FPN到HFPN的自動(dòng)轉(zhuǎn)換。該算法從終結(jié)庫(kù)所出發(fā)，對(duì)整個(gè)FPN進(jìn)行逆向搜索，將所有輸入庫(kù)所的后集、輸出庫(kù)所的前集分別劃分在同一層，再通過添加虛庫(kù)所-虛變遷對(duì)的方式最終使整個(gè)模型建立明確的層次結(jié)構(gòu)。同時(shí)，相關(guān)定理的提出和證明從理論上明確了層次化FPN分層層數(shù)的下確界以及保證在得到的HFPN模型中添加的虛庫(kù)所-虛變遷數(shù)最少。在實(shí)驗(yàn)部分，通過對(duì)幾類各具特點(diǎn)的FPN模型進(jìn)行層次化操作，并利用所提定理進(jìn)行驗(yàn)證。下一步，將基于HFPN-RS深入研究提高FPN泛化能力的方法。

[1] ZHOU K-Q， ZAIN A M. Fuzzy Petri nets and industrial applications： a review［J］. Artificial Intelligence Review， 2015， 45（4）：405-446.

[2] JIANG W， ZHOU K-Q， SARKHEYLI-H?GELE A， et al. Modeling， reasoning， and application of fuzzy Petri net model： a survey［J］. Artificial Intelligence Review， 2022， 55（8）： 6567-6605.

[3] LIU H-C， YOU J-X， LI Z， et al. Fuzzy Petri nets for knowledge representation and reasoning： a literature review［J］. Engineering Applications of Artificial Intelligence， 2017， 60：45-56.

[4] LIU F， SUN W， HEINER M， et al. Hybrid modelling of biological systems using fuzzy continuous Petri nets［J］. Briefings in Bioinformatics， 2021， 22（1）：438-450.

[5] HAMED R I. Quantitative modeling of gene networks of biological systems using fuzzy Petri nets and fuzzy sets［J］. Journal of King Saud University — Science， 2018， 30（1）：112-119.

[6] YUAN C， LIAO Y， KONG L， et al. Fault diagnosis method of distribution network based on time sequence hierarchical fuzzy Petri nets ［J］. Electric Power Systems Research， 2021， 191：106870.

[7] 劉敦楠，張潛，李霄彤，等. 基于云模型與模糊Petri網(wǎng)的電力市場(chǎng)潛在危害行為識(shí)別［J］. 電力系統(tǒng)自動(dòng)化， 2019， 43（2）：25-33.（LIU D N， ZHANG Q， LI X T， et al. Identification of potential harmful behaviors in electricity market based on cloud model and fuzzy Petri net［J］. Automation of Electric Power Systems， 2019， 43（2）：25-33.）

[8] 胡濤，馬晨輝，周曉柳婷，等. 航天復(fù)雜系統(tǒng)的加權(quán)模糊Petri網(wǎng)故障診斷建模［J］. 計(jì)算機(jī)集成制造系統(tǒng)， 2019， 25（10）：2580-2586.（HU T， MA C H， ZHOU X L T， et al. Fault diagnosis method for complex aerospace systems based on weighted fuzzy Petri net［J］. Computer Integrated Manufacturing Systems， 2019， 25（10）：2580-2586.）

[9] WU Z， HSIEH S-J. A realtime fuzzy Petri net diagnoser for detecting progressive faults in PLC based discrete manufacturing system［J］. The International Journal of Advanced Manufacturing Technology， 2011， 61： 405-421.

[10] CHENG Y-H， YANG L-A. A fuzzy Petri nets approach for railway traffic control in case of abnormality： evidence from Taiwan railway system［J］. Expert Systems with Applications， 2009， 36（4）：8040-8048.

[11] 戴晨曦，劉志剛，胡軻珽，等. 基于模型與模糊Petri網(wǎng)融合的高鐵牽引變壓器故障診斷［J］. 電力系統(tǒng)保護(hù)與控制， 2016， 44（11）：26-32.（DAI C X， LIU Z G， HU K T， et al. Fault diagnosis for traction transformer of high speed railway on the integration of model-based diagnosis and fuzzy Petri nets［J］. Power System Protection and Control， 2016， 44（11）： 26-32.）

[12] LI X， LARA-ROSANO F. Adaptive fuzzy Petri nets for dynamic knowledge representation and inference［J］. Expert Systems with Applications， 2000， 19（3）：235-241.

[13] LI X， YU W， LARA-ROSANO F. Dynamic knowledge inference and learning under adaptive fuzzy Petri net framework［J］. IEEE Transactions on Systems， Man and Cybernetics， Part C （Applications and Reviews）， 2000， 30（4）：442-450.

[14] WANG W-M， PENG X， ZHU G-N， et al. Dynamic representation of fuzzy knowledge based on fuzzy Petri net and genetic-particle swarm optimization［J］. Expert Systems with Applications， 2014， 41（4）：1369-1376.

[15] TAN M， LI J， XU G， et al. A novel intuitionistic fuzzy inhibitor arc Petri net with error back propagation algorithm and application in fault diagnosis ［J］. IEEE Access， 2019， 7：115978-115988.

[16] JIANG T， DU C， GUO S， et al. Microgrid fault diagnosis model based on weighted fuzzy neural Petri net ［C］// Proceedings of the 2020 IEEE 4th Information Technology， Networking， Electronic and Automation Control Conference. Piscataway： IEEE， 2020： 2361-2365.

[17] WANG C， LI J， ZHU X， et al. Adaptive neural fuzzy Petri net algorithm for motor fault diagnosis［J］. IOP Conference Series： Earth and Environmental Science， 2020， 446：042063.

[18] LIN F-J， LIAO J-C， CHEN C-I， et al. Voltage restoration control for microgrid with recurrent wavelet Petri fuzzy neural network［J］. IEEE Access， 2022， 10：12510-12529.

[19] ZHOU K-Q， MO L-P， JIN J， et al. An equivalent generating algorithm to model fuzzy Petri net for knowledge-based system ［J］. Journal of Intelligent Manufacturing， 2019， 30： 1831-1842.

[20] 鮑培明. 基于BP網(wǎng)絡(luò)的模糊Petri網(wǎng)的學(xué)習(xí)能力［J］. 計(jì)算機(jī)學(xué)報(bào)， 2004， 27（5）：695-702.（BAO P M. Learning capability in fuzzy Petri nets based on BP net ［J］. Chinese Journal of Computers， 2004， 27（5）： 695-702.）

[21] ZHOU K-Q， ZAIN A M， MO L-P. Dynamic properties of fuzzy Petri net model and related analysis ［J］. Journal of Central South University， 2015， 22：4717-4723.

[22] 孫曉玲. 直覺模糊Petri網(wǎng)的雙向模糊故障推理算法［J］. 計(jì)算機(jī)科學(xué)與探索， 2017， 11（6）：1006-1013.（SUN X L. Bidirectional fuzzy fault reasoning algorithm of intuitionistic fuzzy Petri net［J］. Journal of Frontiers of Computer Science and Technology， 2017， 11（6）： 1006-1013.）

[23] 莫禮平，樂曉波，周愷卿，等.帶抑制弧Petri網(wǎng)的保性變換［J］.計(jì)算機(jī)應(yīng)用， 2012，32（11）：3071-3074.（MO L P， YUE X B， ZHOU K Q， et al. Property preserving operation for simplifying Petri nets with inhibitor arcs ［J］. Journal of Computer Applications， 2012，32（11）：3071-3074.）

Hierarchical algorithm of fuzzy Petri net by reverse search

XIANG Yinhong， ZHOU Kaiqing*， YANG Senyu， ZHANG Xuanyu， KANG Diwen

（，，416000，）

Fuzzy Petri Net （FPN） is one of the main tools to represent， model， and analyze the Knowledge-Based System （KBS）. For clear hierarchical structures and uncertain affiliations between places/transactions in some FPNs， a Hierarchical algorithm of FPN by Reverse Search （HFPN-RS） was proposed to realize the automatic conversion from a non-hierarchical FPN to a Hierarchical FPN （HFPN）. Firstly， a reverse search of the entire FPN was launched starting from the output place（s） at first. The front set of input place（s） and the back set of output place（s） were divided into the same layer. Then， the hierarchical structure of the entire FPN was clarified by adding virtual place-virtual transition pairs. Meanwhile， two theorems were proven to define the infimum of the number of hierarchical layers of FPN and the minimum number of virtual place-virtual transition pair（s） that need to be added in the hierarchical operation， respectively. Moreover， the dimension calculation formula of the incidence matrix of the complete hierarchical structure was also introduced. In the experimental part， hierarchical operation was performed on several types of FPN models with different characteristics and the proposed theorems were used to verify the HFPN-RS algorithm. The experimental results show that the new FPN has a clear hierarchical structure by adding the virtual place-virtual transition pair（s）. It provides a theoretical base to further study the FPN generalization ability.

Fuzzy Petri Net (FPN); hierarchy; reverse search; virtual place-virtual transition pair; incidence matrix

This work is partially supported by National Natural Science Foundation of China （62066016）， Scientific Research Project of Education Department of Hunan Province （22B0549，22C0282）， Science Program Project of Xiangxi Prefecture （Prefecture Financial Education Index ［2022］ No.5）， Postgraduate Scientific Research Innovation Project of Hunan Province （CX20231088）.

XIANG Yinhong， born in 1998， M. S. candidate. His research interests include fuzzy Petri net， clinical assistant decision-making system.

ZHOU Kaiqing， born in 1984， Ph. D.， associate professor. His research interests include fuzzy Petri net， clinical assistant diagnosis system， swarm intelligence algorithm.

YANG Senyu， born in 1999， M. S. candidate. His research interests include clinical assistant diagnosis system， swarm intelligence algorithm.

ZHANG Xuanyu， born in 1997， M. S. candidate. His research interests include fuzzy Petri net， clinical assistant diagnosis system.

KANG Diwen， born in 1997， M. S.， assistant experimentist. His research interests include fuzzy Petri net， clinical assistant diagnosis system， swarm intelligence algorithm.

TP301

A

1001-9081（2023）12-3676-07

10.11772/j.issn.1001-9081.2022121851

2022?12?15；

2023?02?15；

2023?02?20。

國(guó)家自然科學(xué)基金資助項(xiàng)目（62066016）；湖南省教育廳科學(xué)研究項(xiàng)目（22B0549， 22C0282）；湘西州科學(xué)計(jì)劃項(xiàng)目（州財(cái)教指［2022］5號(hào)）；湖南省研究生科研創(chuàng)新項(xiàng)目（CX20231088）。

向寅鴻（1998—），男，湖南常德人，碩士研究生，CCF會(huì)員，主要研究方向：模糊Petri網(wǎng)、臨床輔助決策系統(tǒng)；周愷卿（1984—），男，湖南長(zhǎng)沙人，副教授，博士，CCF會(huì)員，主要研究方向：模糊Petri網(wǎng)、臨床輔助診斷系統(tǒng)、群智能算法；楊森宇（1999—），男，湖南吉首人，碩士研究生，主要研究方向：臨床輔助診斷系統(tǒng)、群智能算法；張軒宇（1997—），男，湖南長(zhǎng)沙人，碩士研究生，CCF會(huì)員，主要研究方向：模糊Petri網(wǎng)、臨床輔助決策系統(tǒng)；康棣文（1997—），男，湖南長(zhǎng)沙人，助理實(shí)驗(yàn)師，碩士，CCF會(huì)員，主要研究方向：模糊Petri網(wǎng)、臨床輔助診斷系統(tǒng)、群智能算法。