随着软件工程的发展，对传统软件开发方法提出了新的要求。当系统完成以后，该系统可以根据需求变化而满足新需求，或者当环境改变以后能够适应新的环境。系统能够自我调节以适应预期不到的变化，由此引发了对自适应系统的研究，并且成为了软件领域研究的焦点之一。模糊数学的发展，为描述客观世界提供了依据，生活中有很多概念是模糊而难以量化的，模糊的概念更加符合实际，利用模糊的思想可以更好地解决系统自适应的问题。本文研究的重点是模糊自适应模型。模糊系统的核心是模糊规则库，因此模糊系统研究的核心问题就是模糊规则库的获取。如果模糊规则库能够随着外界环境和需求的变化而不断自我更新来适应这些变化，那么就可以说该系统具备了自适应的能力。本文将自适应分为静态自适应和动态自适应，两者的区别主要体现在模糊规则的更新上，静态自适应根据现有的数据对和专家的经验生成模糊规则库，但是环境变化以后对需求响应的准确性不高，而动态自适应可以随需求的变化而随时更新模糊规则库。静态自适应主要有基于k-means、c-means的方法，也有基于神经网络和归类树的方法。2009年Agus等提出了即时生成模糊规则的动态自适应算法，本文在该算法基础上提出了改进算法，对输入和输出空间进行模糊划分之后，生成模糊规则来构造模糊规则基，根据新需求和模糊规则基生成新的模糊规则，响应新需求并更新模糊规则库。然而生成的动态模糊规则并不是都能够满足需求，需要对它们的有效性进行判断，将可行的模糊规则添加到规则库中。本文利用Petri和模糊规则结构相似的特点，将模糊规则转换为Petri网，构建模糊Petri模型，根据模糊Petri推理算法来确定规则的置信度，并根据实际情况和专家经验取定阀值，更新模糊规则库。本文建立了自适应模型，并进行了验证。该自适应模型和Agus等人建立的模型相比，准确性较高，构建方法较为简单，降低了开发系统的复杂性，并且实现了对模糊规则的验证，剔除了不合理的模糊规则，保持了模糊规则库的纯度，为以后利用模糊规则基进一步生成合理的模糊规则提供了保证。