《外文翻译-应用粒子群优化技术优化的CSTR模糊控制》毕业学术论文.docVIP

应用粒子群优化技术优化的模糊控制 摘要：模糊逻辑控制(FLC)系统作为一种有用的模型工具在许多技术和工业应用中广泛使用，它可以解决现代控制系统的不确定性和非线性。模糊逻辑控制(FLC)方法主要的缺点是在工业环境中选择最优化的整定参数的个数比较困难 。 在本文中介绍了一种利用粒子群最优(PSO)算法来找到一个模糊系统的最优从属函数的方法。文中使用一种将模糊逻辑控制与粒子群最优算法相结合的综合算法来设计CSTR控制器，目的是获得精确的和可靠的结果。为了示这种算法的有效性，用它优化一个非线性的研究对象CSTR系统模糊模型的高斯从属函数的例子来研究。结果清楚地表明，如果能当定义从属函数，对同一个系统模糊模型使用被优化的从属函数提供更好的性能。 关键词：连续搅拌釜式反应器(CSTR)，模糊逻辑控制(FLC)，从属函数(MF)，粒子群优化算法(PSO) Ⅰ．引言 连续搅拌釜式反应器(CSTR)是化学过程研究的一个重要分支。因此，在化工和控制工程领域关于CSTR已有大量的研究。各种各样的方法用CSTR参数的控制。CSTR包含高度非线性的复杂反应，用常规的方法难以控制。然而，为了避免这些非线性控制器计算带来的复杂性，FLC可以作为一种的。传统方法在处理约束时的局限是这种强大可行的方法产生的主要原因。 近年来，生物智能算法已经被成功应用于解决复杂的问题。PSO算法和模糊逻辑在解决上述问题时表现出很强的能力。模糊逻辑的成功证明了这种方法在现实环境中的应用的稳健性。但是，仍然需要有协调MFs的高效方法，目的是使输出错误最小或性能指标最大。PSO技术是一种利用旨在最小化（或最大化）目标函数的N维问题空间进行随机搜索的技术。具体来说，PSO-FLC算法可以应用于CSTR的浓度控制。 本文使用一种基于模糊逻辑和粒子群最优相结合的控制策略。其目的是当设定值改变时控制CSTR的浓度。MATLAB软件设计和模拟控制器并进行仿真。该控制器的性能取决于平方误差之和的大小。结果清楚地表明，PSO-FLC控制策略在过程发生变化可以得到可靠的性能。此外，与基于逼近法最小平方控制相比，基于结构策略的模糊控制在控制活动中能够更加可行的且精确的动作。 Ⅱ．模糊控制器算法 模糊逻辑控制器是在以规则为基础的行为方式的技术知识的基础上组织的。一般情况下FLC规则是以这样的形式表示：如果用输入1是A，输入2是B，那么输出就是C，在MFｓ中要先声明A和B。 结果C有两种表达类型。在Tagaki-Sugeno-type FLCs中，C被表示为所有输出的线性组合。另一，如果使用Mamdani- type of FLC，C被表示为MFs的集合。程序计算所有受不同的模糊化过程决定的FLC控制行为。一般情况下，用到面积中心法常，输出u*的计算式如下： u*= (1) 最基本的FLC闭环如图1所示。它包括三个主要的连续环节，即模糊化方法，推理机，解模糊化。模糊化方法是把真值转化为许多模糊集，解模糊化是把由推理机决定的模糊输出转换为真值。 图1 FLC算法方框图 PSO算法是利用粒子的数量来找到最优解的最有化方法。PSO的每一个群是解空间中的一个解。这种算法可以被表述如下: 每一单个的粒子有如下性质：在搜索空间中的当前位置，，当前的速度，，搜索空间中的最佳位置，。 最佳位置，，等于在搜索空间中粒子i由目标函数f决定的最小误差的位置，假设使最小化。 全局的最佳位置由在所有中服从最小误差的位置标出。在群中重复的每一个粒子用以下两个方程更新： Vid(t+1)=w.Vid(t)+c1.r1.(pid-Xid(t))+c2.r2.(pgd-Xid(t)) (2) Xid(t+1)=Xid(t)+Vid(t+1) (3) 其中，Vid(t+1)和Vid(t)分别表示当前粒子的速度，Xid(t+1)和Xid(t)分别表示当前粒子的位置，c1 和c2 分别是两个正常数，r1和r2分别是在[0,1]，w是惯性质量。 图2 通常PSO算法流程图 Ⅳ 最优FLC设计 在FLC中应用PSO的从属函数的方法如图3所示：在以下的PSO进程中，每个粒子被当作代表FLC的输入输出的从属函数参数。由于PSO的目的是使FLC的误差最小化，PSO的目标函数被定义为： （4） 其中，tf是FLC总的运行时间，ε是控制误差。 图3 PSO-FLC方法 这个模型是包括n个输入的多输入单输出系统（MISO）。输入的模糊集的数目为m1,m2,…,mn。 这种模型中有一些假设。这些假设必须提前定义作为这种复杂算法的一整套可用的基本前提条件。这些假设被如下： （i）高斯从属函数被用作输入输出变量。