基于遗传算法的模糊控制器的综合优化设计

《基于遗传算法的模糊控制器的综合优化设计》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、基于遗传算法的模糊控制器的综合优化设计朱伟兴%李新城!毛罕平!李萍萍!戚志东%（%江苏大学电气信息工程学院，镇江!%!"%$）（!江苏大学机械工程学院，镇江!%!"%$）*+,-./：012345467#894#:;摘要该文简要叙述了模糊控制器的优化设计原理，提出了一种采用遗传算法对模糊控制器的量化因子、比例因子、隶属函数的参数和模糊控制规则进行综合优化的设计方法，并采用<.74-/=>>?#"编制了相应的软件，该软件已成功地应用于工程中。此外，该软件也可作为遗传优化和模糊控制器设计的辅助教学软件。关键词模糊控制器综合优化设计遗传算法文章编号%

2、""!+@$$%+（!""!）!$+""?@+"$文献标识码A中图分类号BC!D$#)!"#"$%&’()*)+",%$+"-./+01$23"#0,)(4567789()+%(22"%:#0),;")"+0&<2,(%0+’1#=’6>"0?0),@A0B0)&’"),CD$(E$)/0),CA0F0),/0),CG0=’0-(),@（%E:3FF/FG*/8:HI.:-/-;9J;GFI,-H.F;*;K.;88I.;K，L.-;K74M;.N8I7.HO，P38;6.-;K!%!"%$）（!E:3FF/FGQ8:3-;.7,*;K.;88

3、I.;K，L.-;K74M;.N8I7.HO，P38;6.-;K!%!"%$）

4、H8KI-H89FRH.,-/987.K;7FGH0-I8FG-G422O:F;HIF//8I.7987.K;8947.;KN.74-/=>>，-;9H3.77FGH0-I83-7S88;4789HF:F;HIF/8;K.;88I.;K#T87.987，H3.77FGH0-I8:-;-/7FS84789HF:F,R4H8I-.989.;7HI4:H.F;.;H38.;H8KI-H89FRH.,-/987.K;FG-G422O:F;HIF//8I#I"8J(%-#：U422O:F;HIF//8I，J;H8KI-H89FRH.,-/987.K;，V

5、8;8H.:-/KFI.H3,7%引言（精确量）到模糊集的论域（模糊量）的转换，这种转换过程的实近年来，模糊控制技术得到了迅速发展，并引起了人们的现就需要引入量化因子的概念。若误差和误差变化率为模糊控广泛关注。由于模糊控制具有较强的鲁棒性和灵活性，因而其制器的两个输入，则误差的量化因子是!"，误差变化率的量化在一些非线性和难以建立精确数学模型的系统中显示出明显因子是!#。同样，经模糊控制算法给出的控制量（精确量），还的优越性。模糊控制是基于人的经验和知识，故在选取合适的不能直接控制对象，还必须通过比例因子!$将其转换到为控量化因子、比例因子、隶

6、属函数和控制规则时，先验知识就显得制对象所能接受的基本论域中去。理论分析和大量实验结果表尤为重要。但是这种先验知识往往是不够全面的，特别对某些明，量化因子和比例因子的大小及两个量化因子之间的大小相复杂的和非线性系统来说，根本就不可能得到详细或准确的先对关系，对模糊控制器的控制性能影响极大，通常是通过大量验知识，这就为模糊控制的有效实施和精度的提高带来了一定的调试来选择合适的量化因子及比例因子，这是一个相当繁琐的困难。为了解决这一问题，人们一直在研究自动生成以及优的过程&)(。化设计参数和控制规则的方法与技术。为此，研究人员针对模模糊控制规则中前

7、提的语言变量构成模糊输入空间，结论糊控制器的某一方面进行优化，例如仅对量化因子和比例因子的语言变量构成模糊输出空间。每个语言变量的取值为一组模进行优化选取，或对隶属函数的形状和位置进行优化，或修整糊语言值，如%&（负大）、%’（负中）、%(（负小）、)*（零）、+(（正模糊控制规则等等&%’$(。但是，模糊控制的总体效果是由各种影小）、+’（正中）、+&（正大），每个模糊语言值对应一个模糊子响因素共同决定的，只有对各种因素同时进行的优化才可望达集。定义一个模糊子集，实际上就是要确定该子集隶属函数曲到最优的控制效果。该文提出了一种采用遗传算法对模

8、糊控制线的形状。模糊子集的隶属函数的形状，对控制效果的影响较器的参数和模糊控制规则进行综合优化的设计方法，从而达到大。形状尖的隶属函数具有高分辨率特性