基于遗传算法模糊控制器参数优化探究

《基于遗传算法模糊控制器参数优化探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于遗传算法模糊控制器参数优化探究摘要：采用模糊规则，通过模糊推理的方法对二阶系统进行仿真实验，结果表明系统超调小，调节时间大，稳态误差小。然后采用遗传算法，按照ITAE准则对控制器的参数进行优化，仿真结果表明动态性能比模糊控制显著改善。关键词：遗传算法模糊控制器ITAE准则中图分类号：TP273.4；TP18文献标识码：A文章编号:1007-9416(2012)11-0131-011、引言本设计主要是利用遗传算法对模糊控制器进行优化设计。在对模糊控制和遗传算法基本理论学习的基础上，结合当前模糊控制器设计的现状，提出了一种基于遗传算法的模糊控制器优化设

2、计方法。鉴于模糊控制器参数编码的特殊性，编码过程中对量化因子、比例因子进行了统一编码，实现了多个因数的整体寻优。2、模糊控制器的设计2.1模糊控制器的结构模糊控制是以模糊集理论、语言变量和模糊逻辑推理为基础的一种智能控制方法，它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。模糊控制器也称为模糊逻辑控制器，由于所采用的模糊控制规则是由模糊理论中模糊条件语句来描述的，因此模糊控制器是一种语言型控制器，故也称为模糊语言控制器。模糊控制器分为单变量模糊控制器和多变量模糊控制器。单变量模糊控制器是指在模糊控化系统中，具有一个输入变量和一个输出变量。如下

3、图1所示。2.2模糊集及论域定义在模糊控制器中，每格语言变量都有一个允许的变化范围，这一范围被称为语言变量的基本论域。将输入值以适当的比例转换到论域的数值，利用变量来描述测量物理量的过程，依适合的语言之求该值相对之隶属度，此口语化变量我们称之为模糊集。其中e、ec、u统称为模糊变量。2.3定义输入、输出隶属函数模糊变量的模糊集和论域确定后，需确定隶属函数，即对模糊变量赋值，确定论域内元素对模糊变量的隶属度，如图2和图3所示。2.4建立模糊控制规则模糊控制规则的建立常采用经验归纳法和推理合成法。所谓经验归纳法，就是根据已有的控制经验和直觉推理，经整理、加

4、工和提炼后构成模糊规则的方法。推理合成法是跟库已有的输入输出数据，通过模糊推理合成，求取模糊控制量。模糊规则如下表1所示。2.6模糊推理根据语言变量的定义对输入量模糊化后，下一步就是模糊推理。模糊推理由条件聚合，推断和累加三部分。首先计算控制率中每条规则满足条件程度，然后根据条件的满足程度推断单一规则输出的大小，最后将所有规则的输出累加，得到总的模糊输出。模糊推理方法常用的是Mamdani型模糊推理。在本设计中采用的是Mamdani推理方法。3、基于遗传算法优化及仿真3.1遗传算法优化遗传算法的经典应用领域便是函数优化，同时函数优化也是遗传算法进行性能

5、评价的常用算例，测试函数有各种各样复杂形式：凸函数和凹函数、连续函数和离散函数、单峰函数和多峰函数、低维函数和髙维函数等。通过对一些非线性、多模型、多目标的函数优化，遗传算法可以方便的得到较好的结果。本文选择ITAE准则指标为最优化指标，即时间乘绝对误差积分准则，该指标反映系统的综合性能，表达式如式(1),仿真模型如下图1所示。(1)搜索可得优化后的控制器参数Ke=O.58995,Kec=O.20169,Ku=0.73224仿真结果如下图2所示。与模糊控制器仿真结果相比，采用遗传算法后，调节时间明显缩短很多，控制效果显著改善。3.2抗干扰分析加入一幅值

6、为0.6,脉宽为Is的脉冲信号后的仿真图如图3所示。4、结语本文中采用模糊规则对模糊控制系统进行了设计，在不进行调整控制器的情况下，系统稳态误差较小超调、较好控制效果。运用遗传算法，模糊控制器的参数依照ITAE准则优化后，得到了更加合理的参数，显著改善了动态性能。参考文献[1]张乃尧•用遗传算法优化模糊控制器的隶属度参数[J].电气自动化,1996,18(1)：4-6.[2]玄光男，程润伟•遗传算法与工程优化•清华大学出版社，2004.1.