与PSO调整为2自由度机器人轨迹控制模糊控制.doc

PSO调整为二自由度机器人轨迹控制的模糊控制 摘要 在本文中，二自由度平面机器人控制，通过调整粒子群的模糊逻辑控制器优化。对于一个给定的轨迹，基于Mamdani型模糊控制器的参数（中心由粒子进行了优化和高斯隶属函数的输入和输出）的宽度三种不同的成本函数的粒子群优化算法。为了比较优化的模糊不同的控制器与逻辑控制器，PID控制器的粒子群优化与调整。为了测试调谐控制器的鲁棒性，模型参数和给定的轨迹被改变和被添加到系统中的白噪声。仿真结果表明，粒子群优化PSO调整模糊控制器比PID更好更强大的由机器人轨迹控制的粒子群优化调整。 2010爱思唯尔有限公司保留所有权利 1.引言 对于线性系统和一些非严重的非线性系统，PID控制器已广泛应用于工业控制过程中由于其结构简单和强大的性能广泛的操作条件。然而，这是相当困难确定系统的参数优化PID参数耦合，非线性和时间依赖性。在调整过程中PID控制器，三个常量必须以这样的方式选择闭环系统具有给所需的响应。所需的响应应该有至少建立一个小的时间或者没有在闭环系统的阶跃响应的超调。几个数值方法，如模糊逻辑控制器（FLC）算法（Visioli，2001年）和进化算法（Bingul 2004年Krohling与雷伊，2001; Mitsukura，山本与金田，1999年Varol及Bingul，2004年）已被用于优化设计PID控制器。 FLC的是流行的技术，已经看到越来越多的利益过去的几十年里，因为它有一个语言的基础结构，其性能是相当强大的非线性系统。但是，刚果解放阵线包括一些参数，如语言控制规则和限制隶属函数的类型必须为给定的调整系统。FLC的一个主要缺点是，调整的过程变成更加困难和非常耗时的数量系统的投入和产出增加。 粒子群优化（PSO）是一种相对较新的进化可能被用来寻找最优或接近最优的算法在大的搜索空间的解决方案。PSO算法尤其是在连续，多维参数优化有用搜索空间。PSO的方法可以产生高品质的在较短的计算时间，它的解决方案趋于收敛非常快相比其他随机方法。此外，它是在大多数的编程语言实现轻松自该方案的核心，可以写在一个单一的代码行。PSO的多样化已被证明非常有效和快速基准的优化问题（Aliyari，Teshnehlab，与Sedigh的，2006年Berenji及Khedkar，1992年富勒，2000;霍夫曼2001年肯尼迪埃伯哈特，与施，2001年）。 关于进化算法调整成员在FLC的功能参数已被广泛研究文献。这些研究可分为三组作为遗传算法（埃雷拉，洛萨诺，与Verdegay，1998;岭，McGinnity普拉萨德，2006年生，哈立德和尤索夫，1999年），PSO的（Aliyari，TeshnehlabSedigh，2007年查特吉与渡边，2006年丹尼尔晓东，2006年埃伯哈特 - 肯尼迪，1995年;慕克吉和戈沙尔2007年Pulasinghe，查特吉，与渡边，2005年黄，王，＆李，2008年）和蚂蚁算法（庄罗，2007年庄罗，2008）。Wong等。（2008）提出了一个与距离的运动控制结构模糊控制器和一个角模糊控制器的twowheeled移动机器人。他们用PSO算法，以确定模糊系统自动适当的隶属函数。pulasinghe等人。（2005年）开发的模糊神经网络（人工神经网络）的移动机器人的导航和运动控制冗余度机器人。他们雇用PSO的训练FNNs，可以准确清脆的机器人系统的控制信号输出。慕克吉和戈沙尔（2007）研究方面的决心自动电压调节器的最佳PID增益器（AVR）。在他们的研究中，疯狂的粒子群优化（CRPSO）和二进制编码遗传算法（GA）用于参数在先前部分。查特吉和渡边（2006）描述1高木 - 关野（TS）型模糊神经系统（NFS）粒子群训练两个环节和三个环节的动态建模模型机器人。 在这项工作中，PSO算法被用来调整Mamdanitype-模糊控制器的前提和随之而来的参数机器人轨迹控制。本文的其余部分组织如下。节中描述的机器人手臂的动态模型2。在第3节提出一个模糊PD控制算法。 PSO的调整方法的模糊控制器和PID控制器在第4节描述。实验结果和结论在第5和第6条，分别给出。 平面机器人的动态模型 机器人的动力学分析研究之间的关系关节力矩/驱动器和位置的作用力，机器人臂速度和加速度方面时间。机器人具有复杂的非线性动力学可能难以作出准确和鲁棒控制。因此，他们都是很好的例子来测试控制器的性能。 为了验证所提出的联合体与PSO的调整，二自由度机器人如图1被选定作为一个例子的问题。动态串行机器人的方程通常是由以下代表耦合非线性微分方程：