模糊神经网络与遗传算法相结合的控制策略.pdfVIP

7f／／ 模糊神经网络和遗传算法相结合的控制策略’ 丛 爽 钱镇 (中国科学技术大学自动化系，合肥，230026) 摘要本文提出了一种模糊神经网络和遗传算法相结合的控制策略。通过将其实施于具有 严重非线性的电机速度跟踪系统的仿真结果表明，斫提策略可以同时优化模糊逻辑控制的全 部参数，并且利用最少的模糊子集和模糊规则达到较常规控制器和普通模糊逻辑控制器更好 且最优的控制效果，优化后的隶属函数图及控制器的输入／输出特性曲面图均说明了t控制 策略的内在优越性． 关键词模糊逻辑控制神经网络遗传算法非线性系统 0前言 近年来，模糊逻辑控制、神经网络等技术得到了迅速发展，并引起了人们的广泛；L注。 由于模糊逻辑控制具有较强的鲁棒性和灵活性，因而其在一些非线性、动态特性和无￡÷进行 数学建模的系统中显示出明显的优越性。然而由于模糊逻辑控制从本质上来说是基于／．的经 验，故在选取合适的对控制效果起决定性作用的隶属函数和控制规则时，先验知识就j：得尢 为重要。但是这种先验知识一般来说往往是比较缺乏或不全面的，特别对某些复杂的}J非线 性系统来说，根本就不可能得到详细或准确的先验知识，这就为模糊逻辑控制的有效≥：施和 精度的提高带来了～定的困难。 为了解决这一困难，人们一方面不得不采用较多的模糊子集以及更多的控制规则：另一 方面也在不断地研究可以自动生成、修改以及优化隶属函数和控制规则的方法与技术。然而 在目前尚无成熟调试方法的情况下，仅凭经验要想对众多的待调参数得到一合适的组{r是相 当困难的，另外，正是因为存在诸多的待调参数，使得人们往往只能针对模糊逻辑控{0的某 一方面进行优化，例如仅对比例因子进行在线修改以改善系统性能肿，或仅对隶属函jf的形 状和位置进行优化【2】，或只是修整模糊控制规则p】等等。但是，模糊逻辑控制的总体效{5是所 有模糊化、模糊推理和逆模糊等诸多方面的有机综合，只有对各部分同时进行的优化j。可望 达到矗优的控制效果。另外，这些研究对如何将模糊子集和模糊规则的个教养活到最p，同 时又不降低模糊逻辑控制的效果涉及较少。模颧子集和模糊援则数的多寡是体现模糊j!辑的 复杂程度的重要标志以及影响模糊控制物理实现的重要因素。 本文提出了一种将模糊逻辑控制、神经网络和遗传算法有机结合而进行全局优化f§控制 簟略，为解决所存在的困难提供了可能的途径。首先，采用人工神经网络实现模糊逻j}控制 的全过程，从而使神经网络的结构具有模糊逻辑控制的可能，同时每一个参数均具有Ij确的 ‘中国科学院院长基金、圈家教委留学回国基金费助项目 自动化理论、技术与应用(第5卷) 模糊逻辑意义：其次．利用人工神经网络对信息处理具有自学习和自适应的特性对其参数和 结构同利进行优化处理，而达到在最简结构下获得最优控制效果的目的。为了加快学习速度 以及避免陷入局部极小值．文中引进了遮传算法。、所提控制策略的实质是将多种方法和技术 进行有机的综台，使它们之间取长补短．在最简的结构下优化全部参数，达到最佳控制效果。 本文在给出优化控制系统结构后，对优化后的仿真结果进行了对比分析，并且给出了优化后 的隶属函数图以及控制器的输入／输出特性曲面图。 1优化控制系统的结构 优化控制系统的结构如图1 所示，其中P为被控对象；NNP 为采用被控对象的输八／输出信 号，通过训练而辨识出的P的神 经网络模型；GNFC为基于遗传 算法优化的具有明确模糊逻辑意 义和模糊推理功能的神经网络控 制器。控制器的VI}练是通过使 Q盯C与NNP相串联，连接成负 反馈控制回路，并采用遗传算 用T优化柠劓系鲚的靖掏用 法， 使目标函数 ，=mm了?I)，(k)一y(女)F来求得最优的代表隶属函数和控制规则的权要值的。 2．1 GNFC的构造 。盯c的结构如图1中虚框所示。可以看出它是一个具有输入层、中间层和输出层的三 层神经网络。该神经网络与普通神经网络是有很大不同的。在结构上，首先在于输入层的非 全联结，从图中可看出，z，和X，各自对应三个节点：其次在于输入层的标准芷态转移函数 和输出层的线性转移函数；最后在于中间层是乘法器而非严格的神经网络节点。该层的功能 是将来自输入层的两组备三信息的数据两两相乘后所得的九个乘积值送到