基于改进pso的模糊控制器的设计与优化

《基于改进pso的模糊控制器的设计与优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要近年来，模糊控制的研究不断发展，模糊控制器的多种设计方法也在工业领域获得了广泛应用。同时，人们希望利用更方便的方法来设计出满意的模糊控制器，而且对模糊控制器的控制效果的要求越来越高。因此，模糊控制器的设计优化成为模糊控制的一个研究方面。其中，智能优化算法作为一种有效优化手段，逐渐被引入到模糊控制器的设计优化中，但此项工作仍是～个费时费力的过程。智能优化算法通过模拟自然界的机理来达到优化目的。其中，粒子群算法(ParticleSwarmOptimization，PSO)由于其显著的全局寻优能力、局部寻

2、优能力以及鲁棒性得到了足够的重视，在工业生产过程的优化控制中得到广泛应用。而且，有大量的研究旨在进一步提高PSO算法的寻优能力。首先，本文在研究PSO及其改进算法一一量子粒子群算法(QuantumBehavedParticleSwarmOptimization，QPSO)的基础上，将免疫算子引入QPSO，提出免疫量子粒子群算法(QuantumBehavedParticleSwarmOptimization-Immune，QPSO．IM)，进一步提高算法的寻优能力。多峰值函数的测试表明了本文所提算法与PSO和

3、QPSO相比，在收敛速度，寻优结果以及高维寻优能力上的优越性。然后，本文提出用基于QPSO．IM算法的聚类方法(QPSO—IMClusteringAlgorithm，QPSO．IMCA)设计模糊控制器，并提出特殊的编码方案以解决迭代聚类对初始条件较为依赖的问题。本文通过Iris和Glass测试数据集，验证了QPSO—IMCA在聚类分析能力上较传统的最近邻聚类算法更优。基于本文所提算法，本文研发了界面友好的模糊控制器CAD平台，论文介绍了其设计原理以及模糊控制器的设计流程。为进一步提高设计出的模糊控制器的控制

4、效果，本文提出用QPSO．IM算法来优化模糊控制器中的控制决策表。考虑到控制决策表的优化对被控对象模型的依赖，本文同时提出基于QPSO．IM算法的模糊辨识算法(QPSO—IMFuzzyIdentification，QPSO．IMFI)。在提出优化策略以及QPSO．IMFI的基础上，本文将此两项功能集成于模糊控制器CAD平台中，并介绍其设计原理以及使用流程。最后，本文通过单容水箱的液位控制实验以及烤箱的温度控制实验验证了所提方法的有效性及研制开发的模糊控制器CAD平台的实用性。关键词：模糊控制设计优化免疫量子

5、粒子群算法聚类分析模糊辨识AbstractABSTRACTDuringthepastrecentyears，theresearchonfuzzycontrolhasbeendevelopedalot，andavarityoffuzzycontrollerdesignmethodshavebeenusedinindustry．Meanwhile，peoplearenotonlyhopingtoobtainsatifiedfuzzycontrollerusingeasierdesignmethods，butal

6、soexpectingthemtohavebettercontrolperformance．Thus，designandoptimizationoffuzzycontrollerhasnowbeendevelopedintoaresearchtopicinthefuzzycontrolresearchfield．Amongallthemethodstodesignandoptimizethefuzzycontroller,intelligentoptimizationalgorithmisaquitee衢c

7、ientone．Intelligentoptimizationalgorithmsachievetheoptimizmiongoalthroughimitatingthemechanismofthenature．Amongthem，ParticleSwarmOptimization(PSO)hasreceivedmuchattentionforitsprominentglobalsearchability,localsesarchabilityandrobustness，andithasbeenwidely

8、usedintheindustrialproductionprocess．Also，numerousresearchesaimtofurtherimprovePSO’Soptimizationability．First，thispaperhasdoneresearchonPSOanditsimprovedalgorithm，i．e．QuantumBehavedParticleSwarmOptimization(Q