计算智能方法优化设计模糊控制系统：现状与展望.docVIP

计算智能方法优化设计模糊控制系统：现状与展望 罗 熊1,2，孙增圻2 （1. 北京科技大学 信息工程学院，北京 100083；2. 清华大学 计算机科学与技术系，北京 100084） 计算智能方法优化模糊控制系统是近年来的研究热点, 这里对此研究方向进行了综述: 首先简要介绍了模糊控制; 然后按使用计算智能方法的不同, 分成六大类, 详尽分析了计算智能方法优化模糊控制系统的研究现状; 最后对下一步的研究工作进行了展望.TP273.4 文献标识码：A Status and Development of Optimal Design for Fuzzy Control System Based on Computational Intelligence Algorithms LUO Xiong1, 2 , SUN Zeng-qi2 （1. School of Information Engineering, University of Science and Technology Beijing, Beijing 100083, China; 2. Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China. Correspondent: LUO Xiong, E-mail: robertxiongluo@) Abstract：In recent years, optimal design for fuzzy control system based on computational intelligence algorithms is the hot spot in the research field. Here, it is surveyed. Firstly, the basic theory of fuzzy control is introduced. Then, the progress made in recent years are analyzed in detail. They are classified into six kinds according to computational intelligence algorithms used in the practical situation. Finally, the research directions in the future are proposed. Key words：Fuzzy control system; Computational intelligence; Optimal design; Knowledge base 1□引 言 模糊控制是模糊集合理论应用的一个重要方面.成功应用模糊控制的关键之一是要有效结合专家的经验知识，提高模糊控制系统的学习能力，慎重选择系统的设计参数. 在系统设计过程中，遇到了一些困难：在模糊控制规则的优化和选取方面，主要依赖于专家的先验知识，当系统规模变得愈加复杂时，规则优化选取的工作量将巨增，仅凭人工将难以胜任；模糊变量的各个模糊子集的隶属度函数也对模糊控制系统的性能产生重要影响，需要优化确定多个参数，这是一个全局寻优问题，传统解决方法是反复试凑，同样难以满足复杂系统的要求. 为克服这些不足，很多理论技术被应用到这一领域，其中，比较典型的是神经网络技术以及各种计算智能方法等. 神经网络对环境的变化具有较强的自适应能力，可以结合神经网络的学习和分布处理能力来训练模糊规则，提高整个系统的学习和表达能力. 不过，神经网络学习算法也存在着容易陷入局部极值，收敛速度较慢，以及网络训练时间和效果过于依赖初始值等不足，因此，还需要进行相应的改进. 为有效弥补神经网络方法的不足，可以引入各种计算智能方法来优化设计模糊控制系统. 这是一种比较有效的改进措施，这个方面的研究近年来蓬勃发展，取得了许多成果. 2□模糊控制简介 在对模糊控制系统的优化设计中，主要集中在对模糊控制器的处理. 模糊控制器是模糊控制系统的核心，它主要由4个部分组成[1]：“模糊化”负责将输入的精确量转换成模糊化量；“知识库”包含了具体应用领域中的知识和要求的控制目标，它由数据库和模糊控制规则库两部分组成，数据库中包含了与模糊控制规则及模糊数据处理有关的各种参数，规则库包含了用模糊语言变量表示的一系列控制规则；“模糊推理”基于模糊逻辑中的蕴涵关系及推理规则来完成推理功能；“清晰化”负责将模糊推理得到的控制量变换成实际用于控制的清晰量. 在优化设计模糊控制器的过程中，关键就是自动