169_毕业专题档-蔡明哲林建成成果报告.DOCVIP

Design of a fuzzy controller in mobile robotics using genetic algorithms M.Mucientes* ,D.L.Moreno,A.Bugann,S.Barro 機電四A 蔡明哲 林建成 前言 設計模糊控制疫去完成移動是機器人的動作是一項複雜且高度費時的工作 使用環境演算法學習技術 或人工神經網路學習 這些允許控制的自動化設計過程 在這邊文章使用基因演算法自動化設計模糊控制器 完成描述移動式機器人跟隨邊界的行為 演算法的是以反覆規則學習(IRL)方法為基礎 而邊界定義為所選目標 和控制器的準確度 規則數 特性 的關係 設計者的定義為論文領域和精準變數 也是scoring function 語言數值和隸屬函數值沒有限制 1.介紹 模糊控制器在可移動式機器人是非常有用的工具 在對於環境高度不確定性的知識裡 描繪出機器人所在的區域 設計一個模糊控制器通常是使用對於工作的專業知識 專業知識應用於決定語言變數值 協調隸屬函數 去選擇一個能滿足結果的語言數值 和定義基礎模糊知識的規則 這過程使人厭煩且耗時 因為這個原因自動學習技術發展出演算法 幫助一些甚至全部的需要設計過程的任務 一些作者會利用進化演算法 學習機器人的模糊控制 在一些方法中 進化演算法只用在協調隸屬函數 在其他方法中 事前設計資料來開始完成基礎規則識學習 最後一些作者使用演算法學習資料庫和基礎規則 在這篇文章 我們描述學習移動機器人的模糊控制器和跟隨牆的動作 設計者必須定義範圍和每個變數的精準度 和scoring函數 語言值和定義的隸屬函數值沒有限制 方法以IRL為基礎 分類如下: 第二部分.一些對於基礎知識中學習的普通評論 第三為利用基因學習方法的解釋 第四敘述提議使用演算法去做跟隨牆的動作 第五為當前我們得到的結果 第六結論 和未來工作的出路 2.從基礎知識中學習 基礎知識中學習有三種進化演算法 密西根 匹茲堡 IRL 在密西根法 以一個染色體描述個別規則以所有的規則為基礎規則 由於規則與環境值互相影響 所以會隨著時間逐步發展 這方法最大的問題是解決個別規則與基礎規則的分歧 目的是得到一個好的基礎規則 得到一個好的個別規則 同時也能協調彼此達到足夠的輸出 這有時是互相衝突的 舉例來說 當一個個別規則收到一個高輸入而沒有與其他規則做適當的協調 這個問題就會被記錄 匹茲堡法解決了這個分歧 一個染色體直接描述一個基礎知識 變數是染色體的長度 在基礎知識規則允許處理的變數 這方法會花費較高的計算量 因為很多基礎知識必須被計算 而密西根法為單一的計算基礎規則 第三個方法 IRL 一個染色體描述一個個體規則 但與密西根法相反 由進化演算法學習單一的規則 而且不需要全部是基礎規則 經過一連串反覆學習得到最好的規則 將加入最後的基礎規則 選擇的規則必須在搜尋空間形成利基 當發生基礎知識學習 利基對於解決多模態傳輸問題是必要的 在這案例 一個基礎知識的規則是一個解(高多模態問題) 所有的解需考慮完整的基礎知識 一個普通的方法 處罰規則是要刪除那些跟隨的例子 將由處於最後的規則刪除 IRL最後的步驟是確認是否得到能解決問題並符合規則的解 如果不是 那過程將會重複 不符合方法的點 不考慮與規則所計算的協調 3.學習模糊規則控制器 我們提出一種基於IRL的學習方法 同時學習數據和基礎規則 唯一的預先設定界線是論文的範圍與每個變數 會學習 語言符號的數字 隸屬函數的形狀 和規則架構(一個變數在一個規則中不被考慮) 演算法步驟 獲得系統規則 初始化總數 計算總數 消除壞的規則 並填滿總數 計算最佳值 當超過最大的迭代數量時 從總數選出個體 跨越並更換個體 計算總數 刪除壞的規則並填滿總數 計算最佳值 將最佳解加入最後的規則設定 處罰被選擇的規則 若基礎知識不能解決問題 回到步驟1 那規則要學習模糊控制器 像 在Ri , i = 1, . . . ,NR, 為i的規則 Xij , j = 1, . . . ,NA, 和 Y ik , k = 1, . . . ,NC 為事先設定的語言變數和因此而來的部分 NR是規則數 NA是事前設定的規則數字 NC是因規則而來的數字Aij Bik 語言變數的值 一個例子選擇學習基礎知識 這些例子包括論文範圍的全部變數在事前規則的部分 論文領域將被描述 在搜尋範圍求出最小值 跟著步驟或者精準度Pn, n = 1, ...,NV , 在 NV = NA + NC 為一個變數 Prior應用學習方法 對每一個例子最好的動作是定義 函數SF 每一個例子的規則動作方面是互相應用(不是適合函數) 舉例ef 是適用於Rf規則 若依照兩個條件 在Aij(eij)描述例子裡el到aij中隸屬變數值j的程度 一個新