系统仿真chapter 8.ppt

高等应用数学问题的 MATLAB 求解 第 8 章智能控制系统计算机辅助设计 主要内容 自适应控制系统设计 模糊控制及模糊控制器设计 神经网络及神经网络控制器设计 基于遗传算法的最优控制器设计 8.1 自适应控制系统设计 控制原理图 8.1.1 模型参考自适应系统的 设计与仿真 8.1.2 自校正控制器设计与仿真 【例8-1】已知某 Diophantine 方程中 提前 d 步预测 【例8-2】已知某系统的离散模型为 试求出提前两步的预测模型。 最小方差控制器设计 【例8-3】假设 8.1.3 广义预测控制系统与仿真 【例8-4】假设受控对象模型为 8.2 模糊控制及模糊控制器设计 样条插值的 MATLAB 表示 基于样条插值的数值微积分运算 8.2.1 模糊逻辑与模糊推理 8.2.2 模糊 PD 控制器设计 建立模糊推理系统模型的步骤： 启动界面 在命令窗口中输入 fuzzy 启动系统界面。 信号设定 由菜单项 Edit – Add Variable – Input 添加一路输入信号，建立本模糊推理模型需要的双路输入。修改信号的变量名为 e , ed 和 u 。 隶属函数设置 双击界面上的输入段 e 图标，显示默认的三段模糊子集及隶属度函数曲线。单击 Edit 菜单， 选择 Remove All MFs 菜单删除默认的所有隶属度函数。 编辑模糊推理系统 选择 Edit – Rules 菜单项，由 Add rule 添加规则，用 Change rule 修改规则。建立起模糊推理规则后，由 View – Rules 和 View – Surface 菜单项得出规则显示图形。 模糊推理系统的存储 选择 File -Export 菜单项将 建立起来的模糊推理系统存成 * . f i s 文件或存成 MATLAB 工作空间中的变量。 【例8-5】 8.2.3 模糊 PID 控制器设计 【例8-6】 8.3 神经网络及神经网络控制器设计 神经网络简介 基于单个神经元的 PID 控制器设计 基于反向传播神经网络的 PID 控制器 基于径向基函数的神经网络的 PID 控制器 8.3.1 神经网络简介 8.3.2 基于单个神经元的  PID 控制器设计 【例8-7】对受控对象 利用单神经元 PID 控制器模块进行仿真计算 8.3.3 基于反向传播神经网络的 PID 控制器 【例8-8】受控对象 8.3.4 基于径向基函数的神经网络 的 PID 控制器 【例8-9】 8.4 基于遗传算法的最优控制器设计 遗传算法简介 基于遗传算法的最优化问题求解 基于遗传算法的最优控制问题求解 8.4.1 遗传算法简介 通过染色体个体基因的复制、交叉、变异等创造新的个体，构成新的种群 ，其中复制、交叉和变异都有相应的 MATLAB 函数，gaopt( ) 函数选择其中默认的方法进行这样的处理，构成新的种群。 i= i+1 ，若终止条件不满足，则转移到步骤③继续进化处理。 和传统最优化算法比较，遗传算法的主要不同点： 遗传算法并不依赖于导数信息或其他辅助信息来进行最优解搜索，而只由目标函数和对应于目标函数的适应度水平来确定搜索的方向。 遗传算法采用的是概率性规则而不是确定性规则，所以每次得出的结果不一定完全相同，有时甚至会有较大的差异。 8.4.2 基于遗传算法的最优化 问题求解 【例8-10】 【例8-11】试用遗传算法求解下面的线性规划问题 8.4.3 基于遗传算法的最优 控制问题求解 【例8-13】 8.5 本章要点简介 提供了一些基于神经网络的控制器模型，并对其中大部分算法代码进行了改写，封装成控制器模型，可以在仿真中直接使用。客观地说，由于其中的一些算法选择的不是很理想，故它们只适用于提供例子的控制，若采用其他受控对象则可能效果不佳，所以在实际系统设计中可以考虑采用更好的基于神经网络的控制器算法，得到更好的控制效果。 基于遗传算法的最优化问题求解方法，并基于此方法介绍了最优控制器的设计问题。 计算控制量 模糊 PID 控制器控制框图 模糊 PID 控制器结构 对系统进行仿真 神经元的基本结构 神经元的基本结构 基于单个神经元的 PID 控制器框图 ,归一化权值 微积分模块计算量： 三个权值的更新规则： 控制率为 基于单个神经元的 PID 控制器模块框图 BP 网 PID 控制器仿真结构 采样周期 T = 0.001 秒 非线性受控对象 系统仿真框图 径向基函数 PID 控制器仿真结构 非线性受控对象 系统仿真框图 简单遗传算法的一