《倒立擺系統(tǒng)的研究現(xiàn)狀及發(fā)展》匯編(完整版)資料

《倒立擺系統(tǒng)的研究現(xiàn)狀及發(fā)展》匯編（完整版）資料(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）

《倒立擺系統(tǒng)的研究現(xiàn)狀及發(fā)展》匯編（完整版）資料(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）倒立擺系統(tǒng)的研究現(xiàn)狀及發(fā)展1緒論1.1課題的來源與意義自動控制自從其產(chǎn)生以來，廣泛地應(yīng)用在工業(yè)、農(nóng)業(yè)、交通運輸和國防各個方面，凡是控制性能要求較高的場合，都離不開自動控制。倒立擺系統(tǒng)作為研究控制理論的一種典型的實驗裝置，具有成本低廉，結(jié)構(gòu)簡單，物理參數(shù)和結(jié)構(gòu)易于調(diào)整的優(yōu)點。然而倒立擺系統(tǒng)本身所具有的高階次、不穩(wěn)定、多變量、非線性和強耦合特性，是一個絕對不穩(wěn)定系統(tǒng)，必須采用十分有效地控制策略才能使之穩(wěn)定。倒立擺系統(tǒng)是研究變結(jié)構(gòu)控制，非線性控制，目標定位控制，智能控制等控制方法理想的試驗平臺[1]。研究倒立擺系統(tǒng)除了較強的理論意義，同時還具有廣泛的實踐意義。控制理論中許多抽象的概念如穩(wěn)定性，能控性，快速性和魯棒性，都可以通過倒立擺系統(tǒng)直觀的表現(xiàn)出來，同時其動態(tài)過程與人類的行走姿態(tài)類似，其平衡與火箭的發(fā)射姿態(tài)調(diào)整類似，因此倒立擺在研究雙足機器人直立行走、火箭發(fā)射過程的姿態(tài)調(diào)整和直升機飛行控制領(lǐng)域中有重要的現(xiàn)實意義，相關(guān)的科研成果已經(jīng)應(yīng)用到航天科技和機器人學等諸多領(lǐng)域。1.2國內(nèi)外研究現(xiàn)狀對倒立擺的控制研究主要是穩(wěn)定問題和起擺問題的研究，目前對穩(wěn)定問題的關(guān)注比較多。倒立擺穩(wěn)定問題的研究倒立擺穩(wěn)定的研究就是設(shè)計控制器使倒立擺系統(tǒng)在穩(wěn)定點保持穩(wěn)定，并且在一定限度內(nèi)的干擾下可以回復到穩(wěn)定狀態(tài)。倒立擺系統(tǒng)的最初研究開始于二十世紀50年代，麻省理工學院（MIT）的控制論專家根據(jù)火箭發(fā)射助推器原理設(shè)計出一級倒立擺實驗設(shè)備?？刂颇康囊话闶鞘箶[桿在垂直位置倒立。而后世界各國都將一級倒立擺控制作為驗證某種控制理論或方法的典型方案。后來人們參照雙足機器人控制問題研制二級倒立擺控制設(shè)備。最常見的典型倒立擺有三種：它們是直線型倒立擺，平面型倒立擺，環(huán)型倒立擺等，它們是目前國內(nèi)外廣泛采用的模型，這也是研究各種控制算法的基礎(chǔ)，分別簡述如下:(l)直線型倒立擺它是最常見倒立擺系統(tǒng)，也稱車擺裝置，根據(jù)目前的研究它又分為1、2、3、4級車擺，典型結(jié)構(gòu)圖如圖1一1所示，圖中以一級車擺為例，它是由可以沿直線導軌運動的小車以及一端固定于小車之上的勻質(zhì)長桿組成的系統(tǒng)，小車可以通過轉(zhuǎn)動裝置由力矩電機、步進電機、直流電機或者交流伺服電機驅(qū)動，車的導軌一般有固定的行程，因而小車的運動范圍都是受到限制的。(2)環(huán)型倒立擺環(huán)型倒立擺也稱擺桿式倒立擺，如圖1一1所示，圖中以二級為例，一般是由水平放置的擺桿和連在其端接的自由倒擺組成，原理上也可以看成是車擺的軌道為圓軌情況，擺桿是通過傳動電機帶動旋轉(zhuǎn)的。此擺設(shè)計好了可以擺脫普通車擺的行程限制，但是同時帶來了一個新的非線性因素:離心力作用。(3)旋轉(zhuǎn)式倒立擺環(huán)型擺也叫旋轉(zhuǎn)式倒立擺，但是這里的旋轉(zhuǎn)式倒立擺不同于第二種的環(huán)型擺，它的擺桿(旋臂)是在豎直平面內(nèi)旋轉(zhuǎn)的，而環(huán)型擺擺桿是在水平面旋轉(zhuǎn)的。(4)復合倒立擺系列復合倒立擺為一類新型倒立擺，由運動本體和擺桿組件組成，其運動本體可以很方便的調(diào)整成三種模式，一是(2)中所述的環(huán)形倒立擺，還可以把本體翻轉(zhuǎn)90度，連桿豎直向下和豎直向上組成托擺和頂擺兩種形式的倒立擺。圖1-1各種倒立擺系統(tǒng)國外對倒立擺系統(tǒng)的研究可以追朔到六十年代，1966年，Scheafer和Cannon應(yīng)用Bang-Bang控制理論首先將一個曲軸穩(wěn)定于倒置位置上。在60年代后期，作為一個典型的不穩(wěn)定、嚴重的非線性證例提出了倒立擺的概念，并將其用于對一類不穩(wěn)定、非線性和快速性系統(tǒng)控制能力的檢驗。由于倒立擺系統(tǒng)的典型性，對它的控制引起了各國科學家的普遍重視，從而使得用多種方法對倒立擺的控制成為具有挑戰(zhàn)性的世界性課題。當時主要集中在直線倒立擺系統(tǒng)的線性控制上面。到70年代初，各國學者用狀態(tài)回饋理論對不同類型的倒立擺控制問題進行了廣泛的研究，1976年Morietc[2]發(fā)表的研究論文，首先把倒立擺系統(tǒng)在平衡點附近線性化，利用狀態(tài)空間方法設(shè)計比例微分控制器,實現(xiàn)了一級倒立擺的穩(wěn)定控制。1980年，F(xiàn)urutaetc[3]等人基于線性化方法，實現(xiàn)了二級倒立擺的控制。1984年，F(xiàn)uruta等人首次實現(xiàn)雙電機三級倒立擺實物控制[4]。1984年，Wattes研究了LQR(LinearQuadraticRegulator)法控制倒立擺[5]。LQR方法主要基于系統(tǒng)的線性模型和二次性能指針:(1.1)實際上是尋找一個最優(yōu)的狀態(tài)回饋向量K，從而設(shè)計一個最優(yōu)回饋控制器。Wattes驗證了改變權(quán)重矩陣可以得到不同的狀態(tài)回饋向量，從而產(chǎn)生不同的控制效果。八十年代后期開始，倒立擺系統(tǒng)中的非線性特性得到較多的研究，并且提出了一系列基于非線性分析的控制策略。1992年，F(xiàn)uruta等人[6]提出了倒立擺系統(tǒng)的變結(jié)構(gòu)控制。1995年，F(xiàn)radkov等人[7]提出的基于無源性的控制。另外Wiklund等人[8]應(yīng)用基于李亞普諾夫的方法控制了環(huán)形一級倒立擺，Yamakita等人[9]給出了環(huán)形二級倒立擺的實驗結(jié)果。近年來隨著智慧控制方法的研究逐漸受到人們的重視，模糊控制、神經(jīng)網(wǎng)絡(luò)、擬人智能控制、遺傳算法和專家系統(tǒng)等越來越多的智能算法應(yīng)用到倒立擺系統(tǒng)的控制上。1997年，等[10]設(shè)計了類PI模糊控制器應(yīng)用于一級倒立擺控制，具有系統(tǒng)結(jié)構(gòu)簡單對硬件依賴小的特點。1995年，Li[11]利用兩個并行的模糊滑模來分別控制小車和擺桿偏角。1996年張乃堯等[12]采用模糊雙死循環(huán)控制方案成功地穩(wěn)定住了一級倒立擺。Deris[13]利用神經(jīng)網(wǎng)絡(luò)的自學習能力來整定PID控制器參數(shù)。1997年，Gordillo[14]比較了LQR方法和基于遺傳算法的控制方法，結(jié)論是傳統(tǒng)控制方法比遺傳算法控制效果更好。1993年，Bouslama[15]利用一個簡單的神經(jīng)網(wǎng)絡(luò)來學習模糊控制器的輸入輸出數(shù)據(jù)，設(shè)計了新型控制器。1994年，北京航空航天大學張明廉教授[16]將人工智能與自動控制理論相結(jié)合，提出“擬人智慧控制理論”，實現(xiàn)了用單電機控制三級倒立擺實物。北京師范大學李洪興[17]教授采用變論域自我調(diào)整模糊控制理論研究四級倒立擺控制問題，成功實現(xiàn)了四級倒立擺實物系統(tǒng)控制[18]。對倒立擺這樣的一個典型被控對象進行研究，無論在理論上和方法上都具有重要意義。不僅由于其級數(shù)增加而產(chǎn)生的控制難度是對人類控制能力的有力挑戰(zhàn)，更重要的是實現(xiàn)其控制穩(wěn)定的過程中不斷發(fā)現(xiàn)新的控制方法、探索新的控制理論，并進而將新的控制方法應(yīng)用到更廣泛的受控對象中。各種控制理論和方法都可以在這里得以充分實踐，并且可以促成相互間的有機結(jié)合。隨著控制理論的不斷向前發(fā)展，越來越多的理論被成功運用于倒立擺系統(tǒng)的控制：如基于狀態(tài)空間極點配置、二次型最優(yōu)控制[19~21]、基于能量的控制[22]、基于滑?？刂频姆椒╗23]、基于模糊邏輯的控制[36~46]、基于神經(jīng)網(wǎng)絡(luò)理論[24~25]、模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制[26]、基于遺傳算法的控制[27]以及基于遺傳算法的神經(jīng)網(wǎng)絡(luò)控制[28]等等。常見的控制策略與算法有以下幾種：狀態(tài)回饋H∞控制方法智慧控制理論的方法魯棒控制方法起擺問題的研究倒立擺起擺問題是指設(shè)計控制器，能夠?qū)[桿從豎直向下的自然狀態(tài)擺動到豎直向上的位置。對于倒立擺起擺問題的研究主要方法有能量控制、啟發(fā)式控制、擬人智慧控制等。較早研究起擺問題的文獻有：1976年，Mori[2]等人提出包含兩個控制器，一個控制器用來自起擺，另一個控制器用來使擺桿穩(wěn)定在平衡態(tài)附近。1996年，研究了用能量控制策略，實現(xiàn)了一級倒立擺的起擺。朱江濱等人提出了一種基于專家系統(tǒng)及變步長預測控制的實時非線性控制方法，仿真實現(xiàn)了二級倒立擺的擺起及穩(wěn)定控制[33]。李祖樞等人利用擬人智慧控制理論研究了二級倒立擺的起擺和控制問題[34]。目前用于倒立擺起擺的控制方法主要有：能量控制，啟發(fā)式控制，擬人智慧控制等。社會化的大生產(chǎn)使工業(yè)生產(chǎn)規(guī)模越來越大，生產(chǎn)裝置越來越復雜，工業(yè)對象成為高階次、非線性、多輸入多輸出的復雜對象，而且控制精度要求越來越高。這就對控制理論提出了新的更高的要求。倒立擺系統(tǒng)是一個典型的多輸入多輸出、非線性、高階次的不穩(wěn)定系統(tǒng)。研究倒立擺的精確控制對復雜工業(yè)對象的控制有著不可估量的工程應(yīng)用價值。倒立擺控制存在的主要問題倒立擺系統(tǒng)是一個非線形、不穩(wěn)定、單輸入多輸出的多變量系統(tǒng)，對它進行穩(wěn)定控制，其控制方法大致可分為兩類:(1)現(xiàn)代控制理論方法:在非線形模型的平衡點附近對其進行線性化，再根據(jù)近似線性模型，設(shè)計出控制規(guī)律。常見的有狀態(tài)回饋的極點配置法，二次型性能指針的最優(yōu)控制和基于非線性觀測器的控制方法等。(2)智慧控制方法:其主要特點是不依賴于系統(tǒng)數(shù)學模型，通過模擬人的智慧或利用專家的經(jīng)驗較為直接地對倒立擺進行控制。有模糊控制、神經(jīng)網(wǎng)絡(luò)控制、規(guī)則控制和模糊神經(jīng)網(wǎng)絡(luò)控制等。應(yīng)用現(xiàn)代控制理論方法設(shè)計出的倒立擺的控制規(guī)律存在以下幾個問題:(1)由于系統(tǒng)本身是一個非線性系統(tǒng)，經(jīng)過線性化后，所得到的模型與原模型只能在很小的范圍內(nèi)接近，從而限制了系統(tǒng)的穩(wěn)定范圍；(2)對于二級倒立擺系統(tǒng)來說，線性化后得到一個六階的狀態(tài)方程，如果采用狀態(tài)回饋的方法，則必須測量出系統(tǒng)的六個狀態(tài)變量，由于其中三個速度變量測量起來很困難，這樣就必須設(shè)計狀態(tài)觀測器，而狀態(tài)觀測器的引入對系統(tǒng)的穩(wěn)定性和魯棒性都有一定的不良影響；(3)倒立擺系統(tǒng)是一個靈敏度很高、變化很快的系統(tǒng)，要求控制器有很決的響應(yīng)速度。據(jù)計算倒立擺系統(tǒng)的采樣周期應(yīng)在5ms左右，因此，不能進行在線控制規(guī)律的適應(yīng)性調(diào)整，也就是說，只能預先根據(jù)系統(tǒng)模型求出一個不變的控制規(guī)律固定在控制器中，這樣就對系統(tǒng)的模型精度要求很高。而模型參數(shù)中的一些非線性因素是容易變化的，例如轉(zhuǎn)動摩擦系數(shù)，水平摩擦系數(shù)及皮帶的滯后，使基于模型的控制規(guī)律難以嚴格符合系統(tǒng)實際模型，這會導致系統(tǒng)的魯棒性和穩(wěn)定性較差。智慧控制可以部分地解決上述問題。首先智能控制不依賴系統(tǒng)數(shù)學模型，所以就不存在因簡化模型所帶來的穩(wěn)定范圍減小的問題。其次智慧控制規(guī)律的建立并不以預先確定的系統(tǒng)模型為基礎(chǔ)的，而是基于專家的經(jīng)驗或人們的常識，只要該經(jīng)驗或常識基本反映系統(tǒng)的特性，那么被控對象的參數(shù)變化對控制系統(tǒng)的收斂問題的影響就很小。最后，智能控制規(guī)律的修改要方便得多，要修改基于數(shù)學模型的控制規(guī)律，整個算法結(jié)構(gòu)都得變動，而修改智能控制中的規(guī)則只需修改某一或某幾個規(guī)則，便可達到修改的目的。因此，智能控制系統(tǒng)維護起來較為簡單易行，其穩(wěn)定性和魯棒性較好。另外，倒立擺在實現(xiàn)方面還需要解決許多具體控制問題，如傳感器的線性度執(zhí)行電機的死區(qū)、外圍電路的零點漂移、信號采集的速度和精度等問題，這些問題的解決是成功地穩(wěn)定倒立擺的關(guān)鍵。2倒立擺系統(tǒng)數(shù)學模型系統(tǒng)建?？梢苑譃閮煞N：機理建模和實驗建模。實驗建模就是通過在研究對象上加上一系列的研究者事先確定的輸入信號，激勵研究對象并通過傳感器檢測其可觀測的輸出，應(yīng)用數(shù)學手段建立起系統(tǒng)的輸入－輸出關(guān)系。這里面包括輸入信號的設(shè)計選取，輸出信號的精確檢測，數(shù)學算法的研究等等內(nèi)容。機理建模就是在了解研究對象的運動規(guī)律基礎(chǔ)上，通過物理、化學的知識和數(shù)學手段建立起系統(tǒng)內(nèi)部的輸入－狀態(tài)關(guān)系。對于倒立擺系統(tǒng)，由于其本身是自不穩(wěn)定的系統(tǒng)，實驗建模存在一定的困難。但是忽略掉一些次要的因素后，倒立擺系統(tǒng)就是一個典型的運動的剛體系統(tǒng)，可以在慣性坐標系內(nèi)應(yīng)用經(jīng)典力學理論建立系統(tǒng)的動力學方程。下面我們采用其中的牛頓－歐拉方法和拉格朗日方法分別建立直線型一級倒立擺系統(tǒng)的數(shù)學模型。采用拉格朗日法建立二級倒立擺系統(tǒng)的數(shù)學模型。2.1直線一級倒立擺的數(shù)學模型運動方程的推導.1牛頓力學方法在忽略了空氣阻力和各種摩擦之后，可將直線一級倒立擺系統(tǒng)抽象成小車和勻質(zhì)桿組成的系統(tǒng)，如圖2-1所示。圖2.1直線一級倒立擺模型為了建立倒立擺系統(tǒng)的數(shù)學模型，做以下假設(shè)：M小車品質(zhì)m擺桿品質(zhì)b小車摩擦系數(shù)l擺桿轉(zhuǎn)動軸心到桿質(zhì)心的長度I擺桿慣量F加在小車上的力x小車位置圖2-2和2-3是系統(tǒng)中小車和擺桿的受力分析圖。其中，N和P為小車與擺桿相互作用力的水平和垂直方向的分量。在實際倒立擺系統(tǒng)中檢測和執(zhí)行裝置的正負方向已經(jīng)完全確定，因而向量方向定義如圖2-2所示，圖示方向為向量正方向。分析小車水平方向所受的合力，可以得到以下方程：(2.1)由擺桿水平方向的受力進行分析可以得到下面等式：(2.2)把這個等式代入式(2.1)中，就得到系統(tǒng)的第一個運動方程(2.3)即（2.4）為了推出系統(tǒng)的第二個運動方程，對擺桿垂直方向上的合力進行分析，得到下面方程（2.5）即（2.6）力矩平衡方程如下（2.7）合并方程(2.6)和(2.7)，約去P和N，得到第二個運動方程（2.8）線性化后兩個運動方程如下（2.9）對(2.9)進行拉普拉斯變換，得到（2.10）假設(shè)初始條件為0。由于輸出為角度，求解方程組的第一個方程，可以得到（2.11）（2.12）如果令，則有(2.13)把上式(2.13)代入方程組(2.10)的第二個方程，得到（2.14)整理后得到傳遞函數(shù)(2.15)設(shè)系統(tǒng)狀態(tài)空間方程為(2.16)方程組(2.16)對求解，得到解如下（2.17）整理后得到系統(tǒng)狀態(tài)空間方程(2.18)(2.19)對于質(zhì)量分布均勻的擺桿有(2.20)由式(2.9)的第一個方程可以得到(2.21)設(shè),則有（2.22）（2.23）.2拉格朗日方法下面采用拉格朗日方程對單級倒立擺系統(tǒng)建模。拉格朗日方程為（2.24）其中L為拉格朗日操作數(shù),q為系統(tǒng)的廣義坐標，T為系統(tǒng)的動能，V為系統(tǒng)的勢能（2.25）其中，為系統(tǒng)在第個廣義坐標上的外力，在一級倒立擺系統(tǒng)中，系統(tǒng)的廣義坐標有二個廣義坐標，分別為。首先計算系統(tǒng)的動能（2.26）其中分別為小車和擺桿1的動能小車的動能（2.27）擺桿的動能(2.28)其中分別為擺桿的平動動能和轉(zhuǎn)動動能。設(shè)以下變數(shù)：擺桿質(zhì)心橫坐標擺桿質(zhì)心縱坐標則有(2.29)擺桿的平動動能和轉(zhuǎn)動動能分別為(2.30)于是有擺桿的總動能（2.31）系統(tǒng)的勢能為（2.32）由于系統(tǒng)在φ廣義坐標下沒有外力，所以有（2.33）對直線一級倒立擺，系統(tǒng)的狀態(tài)變量為：QUOTE求解狀態(tài)方程：QUOTE(2.34)則有（2.35）可以看出，利用拉格朗日方法和牛頓力學方法得到的狀態(tài)方程是相同的，不同之處在于，輸入u′為小車的加速度x′，而輸入u為外界給小車施加的力，對于不同的輸入，系統(tǒng)的狀態(tài)方程不一樣，對比較簡單的直線一級倒立擺，利用牛頓力學的方法計算比較方便和快捷，但對于多級倒立擺，利用拉格朗日方法程序設(shè)計計算會比較方便。二級倒立擺系統(tǒng)數(shù)學模型二級倒立擺系統(tǒng)結(jié)構(gòu)二級倒立擺系統(tǒng)如圖所示。二級倒立擺裝置由沿導軌運動的小車和通過轉(zhuǎn)軸固定在小車上的擺體組成。在軌道一端裝有用來測量小車位移的光電編碼器。擺體與小車之間、擺體與擺體之間由轉(zhuǎn)軸連接，并在連接處有2個光電編碼器分別用來測量一級擺和二級擺的角度。一擺、二擺可以繞各自的轉(zhuǎn)軸在水平導軌所在的鉛垂面內(nèi)自由轉(zhuǎn)動而小車則由交流伺服電機、皮帶輪、傳動帶帶動在水平導軌上左右運動，從而使倒立擺穩(wěn)定在豎直位置并且可以沿著導軌倒立行走。二級倒立擺系統(tǒng)的微分方程本文采用分析力學中的Lagrange方程建立二級倒立擺系統(tǒng)的微分方程。首先，對系統(tǒng)作如下假設(shè):1)小車、一級擺桿和二級擺桿都是剛體。2)皮帶輪與皮帶間無相對滑動，皮帶不能拉伸變長。3)小車與導軌之間的摩擦力與小車速度成正比。4)各級擺桿與轉(zhuǎn)軸間的轉(zhuǎn)動摩擦力矩與擺桿的角速度成正比。數(shù)學模型推導:系統(tǒng)總動能:小車的動能:一級擺動能：二級擺動能：=b)系統(tǒng)總勢能：V=V0+V1+V2 小車勢能：，一級擺勢能：二級擺勢能：；C）系統(tǒng)總耗散能：，小車耗散能：，一級擺耗散能：二級擺耗散能：;由Lagrange函數(shù)和Lagrange函數(shù)設(shè)時：（2.36）時：（2.37）：（2.38）將L=T一v和D代入式(2一36)、式(2一37)、式(2一38)，并進行化簡的到:(2.40)(2.41)令根據(jù)上面3個微分方程式（mohu）……………….3神經(jīng)網(wǎng)絡(luò)控制3.1神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNctwork，ANN)是80年代之后迅速發(fā)展起來的一門新興學科。它是模仿生物神經(jīng)系統(tǒng)的信息傳遞和反射功能來獲得處理事物的一種“智能”信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)從理論探索到進入大規(guī)模工程實用階段，到現(xiàn)在也只有短短10多年的時間。美國神經(jīng)網(wǎng)絡(luò)學家HechtNielsen曾為人工神經(jīng)網(wǎng)絡(luò)給出以下定義:人工神經(jīng)網(wǎng)絡(luò)是由多個非常簡單的處理單元彼此按某種方式連接而成的計算機系統(tǒng)，該系統(tǒng)是靠其狀態(tài)對外部輸入信息的動態(tài)響應(yīng)來處理信息的。可見人工神經(jīng)網(wǎng)絡(luò)的信息處理功能是依靠計算機的強大處理能力來實現(xiàn)的，但它又不同于一般的計算機系統(tǒng)。它沒有預先確定的、串行的運算操作，也沒有確定的內(nèi)存。它由許多互連的簡單處理單元組成，學習達到平衡后，由各個神經(jīng)元的權(quán)值組成的整個網(wǎng)絡(luò)的分布狀態(tài)，就是所求的結(jié)果。網(wǎng)絡(luò)學習的過程也就是各神經(jīng)元權(quán)值的調(diào)整過程[]。1958年美國計算機學家羅森布拉特(FrallkRosenblatt)提出了一種具有三層網(wǎng)絡(luò)特性的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，稱為“感知機”(PercePtion)，這或許是世界上第一個真正優(yōu)秀的人工神經(jīng)網(wǎng)絡(luò)。在此以后的一段時間內(nèi)，神經(jīng)網(wǎng)絡(luò)引進了許多人的興趣，同時也引起了很大的爭議。1969年，美國著名人工智能學者Minsky和PaPert寫了一本評論人工神經(jīng)網(wǎng)絡(luò)的書《感知機》(PercePtion)。稱感知機不能解決“閡值”這一問題，這本書引起了人們對60年代后期神經(jīng)網(wǎng)絡(luò)發(fā)展面臨過熱現(xiàn)象的爭議。此書的發(fā)表為剛?cè)计鸬娜斯ど窠?jīng)網(wǎng)絡(luò)之火，潑了一大盆冷水。加以那時人工智能以功能模擬為目標的另一分支出現(xiàn)了轉(zhuǎn)機，產(chǎn)生了以知識信息處理為基礎(chǔ)的知識工程，給人工智能從實驗室走向?qū)嵱脦砹讼Ｍ?。這使神經(jīng)網(wǎng)絡(luò)的研究進入低潮時期。70年代后期，在人的智慧行為機器再現(xiàn)上，由于傳統(tǒng)模型距離人類自身的真實模型較遠，表現(xiàn)出了極大的局限性。對于那些還找不到有效計算方法和明確的計算方法的問題，如:在人工智能、模糊識別、動力學過程模擬等方面，就碰到了有限時間和空間的障礙，對于人腦所具有的直覺感知、創(chuàng)造性思維、聯(lián)想功能等，這些迫使人工智能和計算機科學家必須另外尋找發(fā)展智能計算機的途徑，并把注意力重新轉(zhuǎn)向人腦的信息處理模式。難能可貴的是，在此期間，仍由不少學者在極端艱苦的條件下致力于人工神經(jīng)網(wǎng)絡(luò)研究。1982年，Hopfield將人工神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用在組合優(yōu)化問題，提出了HNN模型從而有力地推動了神經(jīng)網(wǎng)絡(luò)的研究。他引入了“計算能量函數(shù)”的概念，給出了網(wǎng)絡(luò)定性判據(jù)。它的電子電路實現(xiàn)為神經(jīng)計算機的研究奠定了基礎(chǔ)，同時開拓了神經(jīng)網(wǎng)絡(luò)于聯(lián)想—記憶和優(yōu)化計算的新途徑。1985年，Rumelhart提出了誤差反向傳播算法，即BP算法，把學習的結(jié)果回饋到中間層的隱含單元，改變它們的權(quán)系數(shù)矩陣，從而到預期的學習目的，它是至今為止最普遍的網(wǎng)絡(luò)。這一算法的出現(xiàn)，使神經(jīng)網(wǎng)絡(luò)獲得一個比較實用和有效的訓練方法。由于它具有節(jié)后化、全息性、魯棒性、并行性、非線性等突出的特點，在許多領(lǐng)域如工況監(jiān)測和控制、故障診斷、結(jié)構(gòu)分析、高智商機械設(shè)計、多傳感器信息集成和融合、系統(tǒng)識別與智能控制、制造過程中作業(yè)計劃的優(yōu)化等面得到了成功的應(yīng)用[9][10]。它的應(yīng)用和發(fā)展不但會推動神經(jīng)動力學本身，而且將影響一代計算機的設(shè)計原理，有可能為新一代計算機和人工智能開辟一條嶄新的途徑。同時它為學習識別和計算提供了新的途徑，有可能給信息科學帶來革命性的變化。目前已經(jīng)建立了多種神經(jīng)元與網(wǎng)絡(luò)的模型，尤其在自動控制領(lǐng)域神經(jīng)網(wǎng)絡(luò)技術(shù)得到了巨大發(fā)展。神經(jīng)網(wǎng)絡(luò)對控制領(lǐng)域有著巨大吸引力，是由它本身的一些重要特點和性質(zhì)決定的:1.人工神經(jīng)網(wǎng)絡(luò)是從輸入到輸出的高度非線性映像，任意的連續(xù)非線性函數(shù)映像關(guān)系都可由某一多層神經(jīng)網(wǎng)絡(luò)以任意精度加以逼近，便于解決非線性控制問題。2.具有分布式存儲信息的特點，即一個信息不是存在一個地方，而是分布在不同的位置，當局部網(wǎng)絡(luò)受損時，能恢復原的信息。3.對信息的處理及推理過程具有并行的特點。大規(guī)?；ヂ?lián)網(wǎng)絡(luò)結(jié)構(gòu)能很快實現(xiàn)全局性的實時信息處理，并很好地協(xié)調(diào)多種輸入信息之間的關(guān)系，同時人工神經(jīng)網(wǎng)絡(luò)模型具有自動搜索能量函數(shù)極值點的功能，這種優(yōu)化計算能力在自我調(diào)整控制設(shè)計中十分有用。4.神經(jīng)網(wǎng)絡(luò)具有自組織、自學習、自適應(yīng)等特點。對信息處理過程中具有很強的泛化能力。同時它還具有較強的容錯特性，提高了信息處理的可靠性和魯棒性。5.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是相同神經(jīng)元的大規(guī)模組合，可處理多輸入信號并具有許多輸出，適合用于多變量系統(tǒng);適合用大規(guī)模集成電路實現(xiàn);也適合于用計算技術(shù)進行模擬實現(xiàn)。3.2神經(jīng)網(wǎng)絡(luò)原理和模型1神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)單元神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元，它類似于生物體的神經(jīng)系統(tǒng)基本單元，神經(jīng)元是一個多輸入單輸出結(jié)構(gòu)，其功能為模擬生理神經(jīng)元的最基本特征。其結(jié)構(gòu)示意圖如圖2一1所示。圖中，QUOTE為神經(jīng)元輸入信號，QUOTE為平移信號，QUOTE為神經(jīng)元閉值，QUOTE為QUOTE到QUOTE連接的權(quán)值。對圖示神經(jīng)元，其輸入可表示為:QUOTE+QUOTE-QUOTE輸出為：QUOTE=f（QUOTE）其中，f是神經(jīng)元轉(zhuǎn)換函數(shù)，又稱為神經(jīng)元啟動函數(shù)。神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元的關(guān)聯(lián)而構(gòu)成，它是一個非線性動力學系統(tǒng)，其特點在于對信息的分布式存儲和并行協(xié)同處理。雖然單個神經(jīng)元的結(jié)構(gòu)極其簡單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實現(xiàn)的行為卻是極其強大。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)可以描述為具有下列性質(zhì)的有向圖:(l)每個節(jié)點有一個狀態(tài)向量QUOTE，;(2)節(jié)點i到節(jié)點j有一個連接權(quán)系數(shù)QUOTE;(3)每個節(jié)點有一個閡值QUOTE;(4)每個節(jié)點定義一個變換函數(shù)fQUOTE最基本形式為f(QUOTE)神經(jīng)網(wǎng)絡(luò)模型各種各樣，它們是從不同的角度對生物神經(jīng)系統(tǒng)不同層次的描述和模擬。代表性的網(wǎng)絡(luò)模型有感知器、多層前饋B一P網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、雙向聯(lián)想記憶(BAM)、Hopfield網(wǎng)絡(luò)等.3.3神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)控制中有著廣泛的應(yīng)用，迄今為止己經(jīng)有了十幾種控制案，但總體上仍可歸結(jié)為以下幾類:(l)在基于模型的各種控制結(jié)構(gòu)中充當對象的模型;(2)充當控制器;(3)在控制系統(tǒng)中起優(yōu)化計算的作用;(4)與其它智能控制方法，如專家系統(tǒng)、模糊控制相融合，為其提供非參數(shù)化對模型、推理模型等。下面給出幾種典型的神經(jīng)網(wǎng)絡(luò)控制(1)神經(jīng)網(wǎng)絡(luò)直接逆控制直接逆控制是使系統(tǒng)的一個逆模型與受控系統(tǒng)串聯(lián)，直接作為系統(tǒng)的前饋控制器使受控系統(tǒng)的輸出等于期望輸出。該方案很大程度上依賴于逆模型的精確程度。逆系的輸入必須與訓練時的輸出足夠接近，系統(tǒng)方能正常工作，因此無法有目的地選擇訓信號。(2)神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制神經(jīng)網(wǎng)絡(luò)具有逼近任意連續(xù)有界非線性函數(shù)的能力，將神經(jīng)網(wǎng)絡(luò)與常規(guī)的自適應(yīng)制方案相結(jié)合，產(chǎn)生了神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的兩種類型，即神經(jīng)網(wǎng)絡(luò)自校正控制系(NeuralNetworkSelf-TuningControl，簡稱NNSTc)和神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制(3)神經(jīng)網(wǎng)絡(luò)PID控制利用神經(jīng)網(wǎng)絡(luò)所具有的自適應(yīng)能力和非線性映像功能，通過實際系統(tǒng)性能的學來實現(xiàn)具有最佳組合的PID控制。(4)神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂圃趦?nèi)模控制結(jié)構(gòu)中，系統(tǒng)的正向模型與實際系統(tǒng)并聯(lián)，兩者輸出之差被用做回饋號，此回饋信號又由前饋信道的濾波器及控制器進行處理。由內(nèi)模控制性質(zhì)知，該控器直接與系統(tǒng)的逆有關(guān)。引入濾波器是為了獲得期望的魯棒性和跟蹤響應(yīng)。(5)神經(jīng)網(wǎng)絡(luò)預測控制預測控制的特征是預測模型、滾動優(yōu)化和回饋校正。其中神經(jīng)網(wǎng)絡(luò)預測控制器建了非線性被控對象的預測模型，可在線學習修正。利用此預測模型就可以由目前的控太原理土大學碩士研究生學位論文輸入，預測出被控系統(tǒng)在將來一段時間范圍的輸出值。(6)神經(jīng)網(wǎng)絡(luò)解耦控制神經(jīng)網(wǎng)絡(luò)解禍通?；谀嫦到y(tǒng)控制的思想，一般采用三層前向靜態(tài)網(wǎng)絡(luò);除直接逆控制解禍方法，還有基于自我調(diào)整解禍思想的神經(jīng)網(wǎng)絡(luò)解棍方法和PID神經(jīng)網(wǎng)絡(luò)解禍方法。神經(jīng)網(wǎng)絡(luò)解禍控制的難點是難以確定通用的解藕條件判據(jù)，目前的解禍策略都帶有嘗試性，主要依靠模擬試驗來進行研究。(7)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)控制這是一種將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的控制方式。由于專家系統(tǒng)善于表達知識和邏輯推理，神經(jīng)網(wǎng)絡(luò)善于非線性映像和直覺推理，將二者相結(jié)合發(fā)揮各自的優(yōu)勢，就會獲得更好的控制效果。(8)神經(jīng)網(wǎng)絡(luò)模糊控制神經(jīng)網(wǎng)絡(luò)和模糊邏輯相結(jié)合的方式有:1.用神經(jīng)網(wǎng)絡(luò)驅(qū)動模糊推理的模糊控制;2用神經(jīng)網(wǎng)絡(luò)記憶模糊規(guī)則的控制;3.用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊控制器的參數(shù)。(9)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在三方面:1.網(wǎng)絡(luò)連接權(quán)值的進化;2，網(wǎng)絡(luò)結(jié)構(gòu)的進化;3.學習算法的進化?；谶M化計算的神經(jīng)網(wǎng)絡(luò)設(shè)計和實現(xiàn)己在眾多領(lǐng)域得到應(yīng)用，但總體上看，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強提高。3.4神經(jīng)網(wǎng)絡(luò)控制的不足在智能控制領(lǐng)域中，BP網(wǎng)絡(luò)是一類有力的學習系統(tǒng)，其結(jié)構(gòu)簡單，易于程序設(shè)計，因此在控制領(lǐng)域中得到廣泛的應(yīng)用。但實際應(yīng)用中還存在一些問題。1，需要較長的訓練時間對于一些復雜的問題，BP算法可能要進行幾小時甚至更長的時間訓練。這主要是由于學習速率所造成的，針對這一問題可采用變化的學習速率或自適應(yīng)的學習速率來加以改造。2、未成熟飽和在網(wǎng)絡(luò)的訓練過程中，當其權(quán)值調(diào)得過大，可能使得所有的或大部分神經(jīng)元的權(quán)總和值n偏大，這使得啟動函數(shù)的輸入工作在S型轉(zhuǎn)移函數(shù)的飽和區(qū)，從而導致其導數(shù)f(n)非常小，從而使得對網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過程幾乎停頓下來。通常為了避免這種現(xiàn)象的發(fā)生，一是選取較小的初始權(quán)值，二是采用較小的學習速率，但這又增加了訓練時間。3、局部極小值BP算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個解，但它并不能保證所示為誤差超平面的全局最小解，很可能是一個局部極小解。這是因為BP算法采用的是下降法，訓練是從某一起始點沿誤差函數(shù)的斜面逐漸達到誤差的最小值。對于復雜的網(wǎng)絡(luò)，其誤差函數(shù)為多維空間的曲面，就像一個碗，其碗底是最小值點。但是這個碗的表面是凹凸不平的，因而在對其訓練過程中，可能存在某一小谷區(qū)，而這一小谷區(qū)產(chǎn)生的是一個局部極小值。由此點向各方向變化均使誤差增加，以致于使訓練無法跨出這一局部極小值。通常的作用是采用多層網(wǎng)絡(luò)和較多的神經(jīng)元，有可能使結(jié)果得到改善。然而，增加神經(jīng)元或者增加同層神經(jīng)元的個數(shù)，同時增加了網(wǎng)絡(luò)的復雜性以及訓練的時間。在一定的情況下可能是不明智的。因此可通過選用幾組不同初始條件對網(wǎng)絡(luò)進行訓練，然后再從中挑選出最好的結(jié)果。3.5倒立擺神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用早在1983年，Barto等【15】就設(shè)計了兩個單層神經(jīng)網(wǎng)絡(luò)，采用AHC(Adantiveheuristiccritic)學習算法實現(xiàn)狀態(tài)離散化的倒立擺控制。而在1989年，Anderson【16】進一步用兩個雙層神經(jīng)網(wǎng)絡(luò)和AllC方法實現(xiàn)了狀態(tài)未離散化的倒立擺系統(tǒng)平衡控制。但這兩種算法都只能針對一類模型。蔣國飛等【17】通過訓練BP網(wǎng)絡(luò)來逼近口值函數(shù)，并利用BP網(wǎng)絡(luò)的泛化能力，實現(xiàn)了基于口學習算法的狀態(tài)未離散化的確定和隨機倒立擺的無模型學習控制，不僅處理的模型對象更廣泛，而且相對前兩種算法而言，該算法具有更好的學習效果。單波等[18]利用神經(jīng)網(wǎng)絡(luò)建立倒立擺系統(tǒng)模型，以此來描述被控對象的輸人輸出關(guān)系，并由此計算出系統(tǒng)在未來若干時刻的誤差。然后由誤差確定系統(tǒng)的目標函數(shù)，通過滾動優(yōu)化、反饋校正來實現(xiàn)對系統(tǒng)的實時控制。運用該算法不僅可以避免對被控對象做復雜的數(shù)學分析，而且還具有較快的收斂速度以及較強的魯棒性。為了克服神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)不能改變的缺點，si等【19]將神經(jīng)網(wǎng)絡(luò)理論與增強式學習基本原理相結(jié)合，提出了一種在線學習控制系統(tǒng)。該實時學習系統(tǒng)能隨著時間的推移而在兩方面逐步提高它的性能:通過自身偏差不斷學習;系統(tǒng)狀態(tài)通過神經(jīng)網(wǎng)絡(luò)學習過程被儲存。應(yīng)用于倒立擺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制算法一般都需要倒立擺系統(tǒng)的輸人輸出數(shù)據(jù)以及各種提示信息。而Houge等【】利用參數(shù)均取整數(shù)值的SONNET(Self-organizingneuralnetworkeligibilitytrace)網(wǎng)絡(luò)模型[]，無需預先分開輸人空間，不必依賴系統(tǒng)輸出數(shù)據(jù)，而僅僅只需知道倒擺系統(tǒng)的失敗信號和系統(tǒng)的當前狀態(tài)，即可對倒立擺進行有效的控制將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于倒立擺系統(tǒng)的控制還有許多成功的例子，但由于神經(jīng)網(wǎng)絡(luò)理論本身的缺陷，有一些問題需要解決。如在如何有效地獲取神經(jīng)網(wǎng)絡(luò)控制器的初始結(jié)構(gòu)和參數(shù)值等方面就有許多間題值得探討。有許多學者已經(jīng)在這一方面做了有益嘗試并取得了一些成果【】例如，Pasemann等〔提出了一種ENS(Evolutionofneurlsystembystochasticsynthesis)算法來獲取神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)和權(quán)值。運用該控制算法，系統(tǒng)各狀態(tài)變量不必量化，可以連續(xù)取值，且系統(tǒng)具有很強的魯棒性。4遺傳算法4.1遺傳算法的發(fā)展概述遺傳算法(GeneticAlgorithms，簡稱GAs)是一種基于生物界中的自然選擇原理和自然遺傳機制的隨機搜索算法[39]。它模擬了生物界中的生命進化機制，并用在人工系統(tǒng)中實現(xiàn)特定目標的優(yōu)化。這是一種在思想和方法上別開生面的全新優(yōu)化搜索算法。傳統(tǒng)的優(yōu)化搜索算法往往要求所求解的函數(shù)具有連續(xù)、可微的性質(zhì)，有要求搜索空間及噪聲相對較小的限制。而遺傳算法不受問題性質(zhì)的限制，可以在巨大的空間上實行概率性搜索，能在搜索的過程中自動獲取和積累有關(guān)搜索空間的指示，并自我調(diào)整地控制搜索過程，以求得最優(yōu)解或較優(yōu)解。遺傳算法的這種特點使得它能夠處理許多復雜問題，具有廣泛的適用性和魯棒性。在自動控制、組合優(yōu)化、模式識別、機器學習、人工生命、管理決策等許多領(lǐng)域都得到了廣泛的應(yīng)用[40][41]。近年來，自動控制己成為遺傳算法最活躍的研究領(lǐng)域之一，包括PID控制、最優(yōu)控制、自我調(diào)整、魯棒控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制及系統(tǒng)辨識等許多分支[42][43]。越來越多的研究人員開始研究用遺傳算法及其改進算法解決控制領(lǐng)域中的難題。在科技高速發(fā)展的今天，對大規(guī)模的、復雜的、不確定性的系統(tǒng)進行有效控制的要求在不斷提高，如何準確方便地優(yōu)化各種控制方法中控制器的結(jié)構(gòu)和參數(shù)己成為迫切需要解決的問題。盡管遺傳算法經(jīng)過幾十年的理論及應(yīng)用研究已獲得了大量的成果，但其理論基礎(chǔ)仍較薄弱，一些參數(shù)的選取還要依靠實驗經(jīng)驗的積累。因此，對遺傳算法本身及其解決控制問題的能力的深入研究具有重要的現(xiàn)實意義。從本世紀40年代，生物模擬就成為了計算科學的一個組成部分，如早期的自動機理論就是假設(shè)機器是由類似于神經(jīng)元的基本元素構(gòu)成的。近幾十年來，人們關(guān)注著如:機器能否思維、基于原則的專家系統(tǒng)是否勝任人類的工作、以及神經(jīng)網(wǎng)絡(luò)可否使機器具有看和聽的能力等等這些有關(guān)生物模擬的問題。自從人們接受了達爾文的生物進化理論之后，科學家們就對生物的進化機制產(chǎn)生極大的興趣。自然進化特征在60年代就引起了美國Michigan大學的JohnHolland的極大興趣，那時Holland從事如何建立能學習的機器研究。他注意到學習不僅可通過單個生物體的適應(yīng)，而且可通過一個種群的許多代進化適應(yīng)實現(xiàn)。他受達爾文進化論—“適者生存”的啟發(fā)，逐漸認識在機器學習的研究中，為獲得一個好的學習方法，僅靠單個策略的建立和改進是不夠的，還要依賴于包含許多候選策略的群體繁殖。這種研究思想起源于遺傳進化，Holland就將這個研究領(lǐng)域取名為遺傳算法。從1985年到1993年，召開了五屆國際遺傳算法學術(shù)會議，遺傳算法己經(jīng)有了很大的發(fā)展，并開始滲透到人工智能、神經(jīng)網(wǎng)絡(luò)、機器人和運籌學等領(lǐng)域。遺傳算法是多學科相互結(jié)合與滲透的產(chǎn)物，它已經(jīng)發(fā)展成一種自組織、自適應(yīng)的綜合技術(shù)，廣泛用在計算機科學、工程設(shè)計、管理科學和社會科學等領(lǐng)域。4.2遺傳算法的概念、特點及應(yīng)用遺傳算法的基本步驟遺傳算法GA是建立在自然選擇和群體遺傳機制基礎(chǔ)上的隨機迭代、進化，具有廣泛適應(yīng)性的概率搜索尋優(yōu)算法。對于某個給定的優(yōu)化問題，目標函數(shù)為:H=f(x，y，z，QUOTE〕(x，y，z…QUOTEHQUOTER要求(QUOTE…)使H為極大值和極小值，以適應(yīng)優(yōu)化的需要。此處，QUOTE是(x，y，z…)的定義域，H為實數(shù)，f為解空間(x，y，zQUOTE)QUOTE到實數(shù)域HQUOTER的一種映射。GA要根據(jù)目標函數(shù)H設(shè)定一個適應(yīng)性函數(shù)F，用以判別某個樣本的優(yōu)劣程度。遺傳算法的基本步驟如下:(1)編碼采用二進制編碼方案對優(yōu)化變量進行編碼。采用二進制編碼的策略是將各優(yōu)化分量分別進行編碼然后合并成l個二進制位串，就代表了優(yōu)化問題的1個可能解。如自變量X、Y、Z的1組取值用12個比特的二進制代碼串表示為:100010011100XY Z(2)初始群體的生成通過隨機方法產(chǎn)生出給定數(shù)量初始群體的個體，這些個體就是一批二進制代碼串。首先，對每個個體計算其相應(yīng)的適應(yīng)度QUOTE,按QUOTE的大小評價該個體染色體的素質(zhì)。QUOTE愈大表示第i個個體的素質(zhì)愈好，優(yōu)化的目標是找到QUOTE最大時所對應(yīng)的個體。初始種群的素質(zhì)一般還比較差，GA操作數(shù)的任務(wù)就是從這些初始群體出發(fā)，模擬進化過程擇優(yōu)去劣，逐次迭代，選出優(yōu)秀的種群與個體，以達到優(yōu)化的目的。(3)選擇根據(jù)各個個體的適應(yīng)度，按照一定的規(guī)則和方法，從第t代群體P(t)中選擇出一些優(yōu)良的個體遺傳到下一代群體P(t+1)中。一般選擇的規(guī)則是適應(yīng)度QUOTE越大的個體，賦予更大的選擇概率QUOTE，通常QUOTE，即適應(yīng)度值高的個體有更多的繁殖后代的機會，以使優(yōu)良特性得以遺傳和保留。(4)交叉將群體P(t)內(nèi)的各個個體隨機搭配成對，對每一對個體，以交叉概率QUOTE交換他們之間的部分染色體。交叉的方法是隨機選取一個(或兩個)截斷點，將雙親的二進制代碼串在截斷點處切開，然后交換其尾部(或中間部分)以產(chǎn)生新的一代如:雙親后代A10010110A’10011001B11001001B’11000110(5)變異對群體P（t）內(nèi)的每個個體，以變異概率QUOTE改變某一個或某一些基因串上的基因值為其他的等位基因。對于二進制基因串就是將1改為0或?qū)?改為1，如:變異A11001101——110101101重復上述過程，各代種群的優(yōu)良基因逐漸積累，種群的平均適應(yīng)度和個體適應(yīng)度不斷上升，直到迭代收斂，即找到最優(yōu)解為止。雖然在目前的技術(shù)條件下，關(guān)于整個進化的機制還沒有完全弄清楚，但通過許多實驗和在微觀世界里面進行的科學研究，人們逐漸認識了它們的許多特征。生物體的生成是染色體譯碼的結(jié)果，所以生物體結(jié)構(gòu)編碼的染色體變化是進化發(fā)生的根本原因。染色體的編碼和譯碼過程的細節(jié)人們并不是完全了解，但下面幾個關(guān)于進化理論的一般特性己廣為人們所接受，(這些特性往往又作為遺傳算法的基本法則):①進行過程發(fā)生是在染色體上，而不是發(fā)生在它們所編碼的生物體上;②自然選擇把染色體以及由它們所譯成的結(jié)構(gòu)的表現(xiàn)聯(lián)系在一起，那些適應(yīng)性好的個體的染色體經(jīng)常比差的個體的染色體有更多的繁殖機會;③變異可以使生物體子代的染色體不同于它們父代的染色體。通過結(jié)合兩個父代染色體中的物質(zhì)，重組過程可以產(chǎn)生有很大差異的染色體;④生物進化沒有一記憶。有關(guān)產(chǎn)生個體的信息包含在個體所攜帶染色體的集合以及染色體編碼的結(jié)構(gòu)之中，這些個體會很好地適應(yīng)它們的環(huán)境。遺傳算法的一般流程與自然界的生物進化過程相類似，遺傳算法的運算過程也是一個反復迭代的過程，第t代群體記做P(t)，經(jīng)過一代遺傳和進化后，得到第t+l代群體，它們也是由M個個體組成的群體，記做P(t+l)。這個群體不斷地經(jīng)過遺傳和進化操作，并且每次都按照優(yōu)勝劣汰的規(guī)則，將適應(yīng)度值較高的個體更多地遺傳到下一代。這樣最終在群體中將會得到一個優(yōu)良的個體C*，它所對應(yīng)的表現(xiàn)型X將達到或接近于問題的最優(yōu)解X*。遺傳算法的主要計算過程如下:(1)對問題的可行解進行染色體編碼;(2)產(chǎn)生初始種群;(3)對種群內(nèi)的各個個體進行適應(yīng)度評價;(4)根據(jù)個體的適應(yīng)度進行選擇操作，然后交叉、變異產(chǎn)生新的群體;(5)返回到(3)，對該組群體譯碼進行新的評價;(6)若當前解滿足要求或進化過程中達到一定的進化代數(shù)，計算結(jié)束，否則轉(zhuǎn)(3)，繼續(xù)進行。遺傳算法的基本流程如圖2.4所示圖2.4遺傳算法基本流程圖4..2.3遺傳算法的特點與其他優(yōu)化算法相比，遺傳算法具有如下優(yōu)點:(1)將搜索過程作用在編碼后的字符串上，不直接作用在優(yōu)化問題的具體變量上，在搜索中用到的是隨機的變換規(guī)則，而不是確定的規(guī)則。它在搜索時采用啟發(fā)式的搜索，而不是盲目的窮舉，因而具有更高搜索效率。(2)現(xiàn)行的大多數(shù)優(yōu)化算法都是基于線性、凸性、可微性等要求，而遺傳算法只需要適合度信息，不需要導數(shù)等其他輔助信息，對問題的依賴性較小，因而具有高度的非線性，適用范圍更廣。此外還可以寫出一個通用算法，以求解許多不同的優(yōu)化問題。(3)遺傳算法從一組初始點開始搜索，而不是從某一個單一的初始點開始搜索。而目_給出的是一組優(yōu)化解，而不是一個優(yōu)化解，這樣可以給設(shè)計者更大的選擇余地。它能太原理}_大學碩十研究生學位論文在解空間內(nèi)充分搜索，具有全局優(yōu)化能力。(4)遺傳算法具有很強的易修改性。即使對原問題進行很小的改動(比如目標函數(shù)的改進)，現(xiàn)行的大多數(shù)算法就有可能完全不能使用，而遺傳算法則只需作很小的修改就完全可以適應(yīng)新的問題。(5)遺傳算法具有很強的可并行性，可通過并行計算來提高計算速度，因而更適用于大規(guī)模復雜問題的優(yōu)化。正是基于以上優(yōu)點，遺傳算法對優(yōu)化工作者來說充滿了吸引力。但是由于遺傳算法是一種較新的算法，在實際運用中也還有許多地方有待進一步地深入和改進，主要集中在以下幾個方面:(1)遺傳算法的理論研究比較滯后。由于遺傳算法本身也是一種仿生的思想，盡管實踐效果很好，但理論證明比較困難。而且這種算法提出來的時間還不是很長，因此其理論和實踐的研究幾乎是平行進行的。(2)GA算法本身的參數(shù)還缺乏定量的標準，目前采用的都是經(jīng)驗數(shù)值，而且不同的編碼、不同的遺傳技術(shù)都會影響到遺傳參數(shù)的選取，因而會影響到算法的通用性。(3)GA對處理約束化問題還缺乏有效的手段，傳統(tǒng)的罰函數(shù)法中對懲罰因子的選取還是一個比較困難的技術(shù)問題。4.3遺傳算法的應(yīng)用由于遺傳算法具有上述的眾多特點，所以它廣泛應(yīng)用于很多學科。而且它不依賴于問題的具體領(lǐng)域，它具有自我調(diào)整性、全局優(yōu)化性和隱含并行性，體現(xiàn)出很強的解決問題的能力。(1)函數(shù)優(yōu)化和組合優(yōu)化人們構(gòu)造各種各樣的函數(shù)來檢測遺傳算法的性能，通過對各種幾何特性不同的函數(shù)計算，結(jié)果表明遺傳算法均具有較好的性能。而且對于一些非線性、多模型、多目標的函數(shù)優(yōu)化問題，遺傳算法也能得到較好的結(jié)果。同時對于大規(guī)模的組合優(yōu)化問題，傳統(tǒng)的枚舉法很難得到其精確最優(yōu)解。而遺傳算法則是尋求這種滿意解的最佳工具之一。實踐證明，遺傳算法對于組合優(yōu)化問題的NP完全問題非常有效。例如，遺傳算法已經(jīng)在求解旅行商問題背包問題、裝箱問題、圖形劃分問題等方面得到成功的應(yīng)用。(2)生產(chǎn)調(diào)度問題生產(chǎn)調(diào)度問題在許多情況下所建立起來的數(shù)學模型難以精確求解，即使經(jīng)過一些簡太原理}大學碩十研究生學位論文之后可以進行求解，也會因為簡化太多而使得求解結(jié)果與實際相差甚遠。而遺傳算法已成為解決復雜調(diào)度問題的有效工具，在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)車間調(diào)度、生產(chǎn)規(guī)劃、任務(wù)分配等方面遺傳算法都得到了有效的應(yīng)用[23一25]。比如cartwright關(guān)于化工廠生產(chǎn)計劃的優(yōu)先安排，Syswerda關(guān)于飛行支持設(shè)備調(diào)度問題，Hiiliard運輸軍隊及其裝備多目標通路的作業(yè)調(diào)度，Gabbert關(guān)于鐵路網(wǎng)絡(luò)復雜運輸調(diào)度等問題，采用遺傳算法均取得了明顯的效果。(3)自動控制在自動控制領(lǐng)域中有許多與優(yōu)化相關(guān)的問題需要求解，遺傳算法的應(yīng)用日益增加，并顯示了良好的效果。例如遺傳算法進行航空控制系統(tǒng)的優(yōu)化、基于遺傳算法的模糊控制器優(yōu)化設(shè)計、基于遺傳算法的參數(shù)辨識，都顯示了遺傳算法在這些領(lǐng)域的應(yīng)用。例如:Maclay等人用遺傳算法求解電車模型參數(shù)辨識問題[26]，F(xiàn)reeman等人提出應(yīng)用遺傳算法精調(diào)控制中的由人定義的模糊邏輯集合概念，取得了顯著的效果[27]。(4)人工智能與計算機科學人工智能是計算機等人工媒體模擬或構(gòu)造出具有自然生物系統(tǒng)特有行為的人造系統(tǒng)。人工智能與遺傳算法有著密切的關(guān)系，基于遺傳算法的進化模擬是研究人工智能的重要理論基礎(chǔ)。遺傳算法在人工智能與計算機科學中的應(yīng)用包括:數(shù)據(jù)挖掘與知識獲取[28]、數(shù)據(jù)庫查詢優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)優(yōu)化[30]、模式識別、專家系統(tǒng)等。4.4遺傳算法的收斂性分析遺傳算法是一種全局性的概率搜索算法，初始種群的選取、選擇、交叉、變異操作都帶有隨機性。這種隨機性的搜索迭代過程中所產(chǎn)生的解或函數(shù)序列的極值，最終是否會收斂到全局最優(yōu)解?因此研究GA的全局性收斂問題。不僅具有理論指導意義，而且也有重要的實踐價值。對于遺傳算法的全局收斂性，取得了許多研究成果：(l)模式定理:遺傳算法中，在選擇、交叉和變異操作數(shù)的作用下，具有低階，短定義長度，并且平均適應(yīng)度高于群體平均適應(yīng)度的模式將按指數(shù)級增長。模式定理闡述了遺傳算法的理論基礎(chǔ)，它說明了較優(yōu)模式(遺傳算法的較優(yōu)解)的樣本數(shù)呈指數(shù)級增長，滿足了尋找最優(yōu)解的必要條件，即遺傳算法存在著尋找全局最優(yōu)解的可能性，但是它并沒有說明遺傳算法一定能夠?qū)ふ业阶顑?yōu)解。(2)積木塊假設(shè):低階，短矩，高平均適應(yīng)度的模式(積木塊)在遺傳操作數(shù)的作用下，相互結(jié)合，能生成高階、長矩、高平均適應(yīng)度的模式，可最終生成全局最優(yōu)解。遺憾的是，上述結(jié)論并沒有得到證明，但目前己經(jīng)有大量的實踐支持積木塊假設(shè)，它在許多領(lǐng)域的應(yīng)用都取得了成功，例如平滑多峰問題，帶干擾多峰問題以及組合優(yōu)化問題等。Goldberg和Segrest是首次使用馬爾可夫鏈分析了遺傳算法陰;Eiben等人用馬爾可夫鏈分析證明了保留最佳個體的GA以概率1收斂到全局最優(yōu)解[36];Rudolph用齊次有限馬爾可夫鏈分析證明了帶有復制、交叉、變異操作的標準遺傳算法收斂不到全局最優(yōu)解[37];Qi和Palmieri對浮點數(shù)編碼的遺傳算法進行了嚴密的數(shù)學分析，但是其結(jié)果是基于群體數(shù)為無窮大這一假設(shè)[38]。揮為民和席裕庚利用齊次有限馬爾可夫鏈對基本遺傳算法的全局收斂性和計算效率進行分析I39];徐總本和聶贊坎等人開始利用鞍理論分析遺傳算法的收斂性，該文首次嘗試用鞍理論證明遺傳算法在保留最佳個體策略時，遺傳算法在有限步內(nèi)幾乎必然強收斂于最優(yōu)解[40]。王霞和周國標利用下鞍理論證明分析遺傳算法的收斂速率，并給出保留最佳個體策略的遺傳算法收斂速率的概率形式[4]。本文則是利用下鞍理論分析遺傳算法在非保留最佳個體策略時，遺傳算法強收斂到全局最優(yōu)解的充分條件，這為用鞍理論分析遺傳算法做了有益的嘗試，同時也補充證明遺傳算法的轉(zhuǎn)移概率矩陣是不可約非周期的馬爾可夫鏈。4.5遺傳算法面臨的問題隨著科學技術(shù)的迅速發(fā)展，遺傳算法也應(yīng)用到更多的領(lǐng)域。由于遺傳算法來源于進化論和群體遺傳學，缺乏嚴格的數(shù)學基礎(chǔ)，收斂性證明比較困難，雖然可以利用馬爾可夫鏈的性質(zhì)證明在保留最優(yōu)值情況下，遺傳算法可以收斂到全局最優(yōu)解，但是對其收斂速率估計是當前需要深入研究和討論的問題。因為它能從理論上對遺傳算法的任何修正形式提供評判標準，指明改進算法性能的正確方向。另外，利用馬爾可夫鏈分析對遺傳算法的具體應(yīng)用和參數(shù)設(shè)計所提供的指導信息非常少。如何選擇遺傳算法的參數(shù)，才一能得到最優(yōu)結(jié)果，到目前還沒有理論指導。以上這兩個方面還需要尋求更有效的分析手段和嚴格的數(shù)學證明。作為一種搜索算法，遺傳算法通過對編碼、適應(yīng)度函數(shù)、復制、交叉和變異等主要操作的適當設(shè)計和運行后，可以做到兼顧全局搜索和局部搜索的特點。然而，遺傳算法雖然可以實現(xiàn)均衡搜索，并在許多復雜問題的求解中表現(xiàn)很好的效果，但是該算法的全局收斂性的理論分析尚待解決。簡單遺傳算法并不能保證全局最優(yōu)收斂，即出現(xiàn)通常所說的早熟現(xiàn)象或者根本不收斂。導致GA早熟的原因可以歸結(jié)為以下幾個方面:1群體規(guī)模:群體規(guī)模與很多因素有關(guān)。當群體規(guī)模太小時，造成有效等位基因先天缺失，即使采用較大概率的變異操作數(shù)，生成具有競爭力的高階模式的可能性還是較小，況且大概率變異算法對己有模式的破壞作用顯著增大。同時，由于GA操作數(shù)存在著隨機誤差，即模式采樣誤差，妨礙小群體中有效模式的正確傳播，因而使得群體進化不能按模式定理產(chǎn)生所預測的期望數(shù)量。當群體規(guī)模太大時，又造成計算量急劇增大。2選擇壓力:當群體中的最優(yōu)個體期望抽樣較大時，個體的選擇壓力太大，導致群體的多樣性迅速減低;相反，當群體的最優(yōu)個體期望抽樣較小，個體的選擇太小，導致模式競爭減弱，遺傳操作數(shù)重組生成高階模式的能力降低，也會出現(xiàn)進化停滯現(xiàn)象。3變異概率:當變異概率比較小時，群體多樣性下降太快，容易導致有效基因的迅速丟失且難以恢復;當變異概率比較大時，盡管群體多樣性可以保持在較高的水平，但是高階模式被破壞的概率也隨之增大。4適應(yīng)函數(shù)性質(zhì):當適應(yīng)函數(shù)高度非線性，染色體基因位之間高度相關(guān)，有效模式更容易被破壞，或者當最優(yōu)解附近為非常平緩的超平面時，高階競爭模式適應(yīng)度值之間的差異非常小，在適應(yīng)度值比較選擇方式下的模式競爭激烈，導致當前最佳個體適應(yīng)度值的改進出現(xiàn)停滯。5群體初始化:初始群體分布在編碼空間的局部區(qū)域，導致GA的搜索范圍受到限制。6參數(shù)區(qū)間設(shè)定:如果編碼空間選擇不當，即最優(yōu)參數(shù)落在區(qū)間之外，則無論如何尋優(yōu)，也是無法找到全局最優(yōu)解的。針對上述情況，需要在編碼方式、適應(yīng)度函數(shù)的選擇和遺傳操作操作數(shù)的設(shè)計等方面對GA進行改進，從而抑制早熟現(xiàn)象的發(fā)生。SGA由于算法簡單，實現(xiàn)容易，因而目前己得到廣泛應(yīng)用，但有理論證明，SGA在任意初始化，任意交叉操作數(shù)以及任意適應(yīng)度函數(shù)下，無法收斂到全局最優(yōu)解，而通過改進的遺傳算法卻能夠最終收斂到全局最優(yōu)解。５模糊控制方法5.1模糊邏輯技術(shù)的研究現(xiàn)狀與特點美國著名控制論學者L.A.查德(Zadeh)教授在20世紀60年代初期認為經(jīng)典控制論過于強調(diào)精確性而無法處理復雜的系統(tǒng)，他認為“在處理生物系統(tǒng)時，需要一種徹底不同的數(shù)學一一關(guān)于模糊量的數(shù)學，該數(shù)學不能用概率分布來描述”，他的這些思想形成了模糊集合理論，并于1965年發(fā)表了《Fuzzyset》這一開創(chuàng)性論文，為處理客觀世界中存在的模糊性問題提供了有力的工具。20世紀60年代后期，許多新的模糊方法被提出，如Zadeh于1968年提出了模糊算法的概念，1970年提出了模糊決策等，并于1973年發(fā)表了另一篇開創(chuàng)性的文章《分析復雜系統(tǒng)和決策過程的新方法綱要》，該論文建立了研究模糊控制的基礎(chǔ)理論，在引入語言變量的概念的基礎(chǔ)上，提出了用工F一THEN的規(guī)則來量化人類的知識。在1975年英國的馬丹尼(Mamdani)創(chuàng)立了模糊控制器的基本框架，并將模糊控制用于控制蒸汽機〔24’，發(fā)現(xiàn)模糊控制器非常易于構(gòu)造且運作效果較好，他們的研究成果發(fā)表在文章《帶有模糊邏輯控制器的語言合成實驗》中。進入20世紀80年代初這一領(lǐng)域進展緩慢，沒有新的概念和方法被提出，到90年代初有許多的模糊產(chǎn)品大量出現(xiàn)，因此可說實踐是模糊系統(tǒng)和模糊控制理論發(fā)展的驅(qū)動力。我國的模糊控制理論及其應(yīng)用研究工作是從20世紀70年代開始的，至今快有30模糊控制理論應(yīng)用的進展1965年美國加利福尼亞大學的教授創(chuàng)建模糊集理論來描述模事物。1974年英國的首先利用模糊控制語句組成模糊控制器。并功地將模糊控制應(yīng)用于鍋爐和蒸汽機控制，這一開拓性的工作，標志著模糊制理論的誕生。1975年，英國的Fing及Mandani利用模糊控制器控制一個反應(yīng)爐攪拌池溫度，并獲得成功。1976年，荷蘭Kichert等研究了熱水站的模糊控制，使這個用傳統(tǒng)方法難以進行控制的多變量非線性對象實現(xiàn)了穩(wěn)定可靠的運行。丹麥Storgard利用模糊控制器對雙輸入雙輸出的熱交換過程進行了模糊控制，英國學者Tong對壓力容器內(nèi)部的壓力和液位進行了模糊控制，也得到了傳統(tǒng)控制方法難以達到的控制效果。1979年，英國的PappiS利用模糊控制對十字路口的交通管理進行試驗，取得了成功。1985年，世界上第一塊模糊邏輯芯片在美國著名的貝爾實驗室問世，這是模糊技術(shù)走向?qū)嵱没挠忠焕锍瘫?990年來以來，模糊控制的應(yīng)用得到了進一步的推廣，模糊家電開始出現(xiàn)在我們的日常生活中。雖然模糊理論的提出只有短短30多年的時間，但其發(fā)展速度卻十分的驚人。大量對模糊理論進行研究的文獻論文不斷發(fā)表，并且數(shù)量呈幾何趨勢增長。這充分體現(xiàn)了模糊理論的發(fā)展速度[25]，而且顯示了模糊控制理論巨大的發(fā)展?jié)摿?。隨著科學技術(shù)的不斷進步，自動控制系統(tǒng)被控對象也朝著復雜化的方向發(fā)展，主要表現(xiàn)在多輸入一多輸出的強耦合性、參數(shù)時變性和嚴重的非線性等特點上。然而就在這樣復雜的多變量、非線性、時變的系統(tǒng)中，對控制質(zhì)量的要求卻越來越高。正是由于模糊控制具有突出的優(yōu)點，并且在解決控制系統(tǒng)中的復雜問題上有著特別的優(yōu)勢，所以對模糊控制理論的深入研究對控制理論的發(fā)展來說是十分重要的，并且很有實際意義。模糊邏輯應(yīng)用最有效、最廣泛的領(lǐng)域就是模糊控制，它在許多領(lǐng)域成功解決了傳統(tǒng)控制方法無法或難以解決的問題，模糊控制是以人的控制經(jīng)驗作為控制的知識模型，以模糊集合、模糊語言變量及模糊邏輯推理作為控制算法的數(shù)學工具，使用計算機來實現(xiàn)的一種智能控制。模糊控制技術(shù)的理論基礎(chǔ)的核心是模糊推理理論。模糊控制技術(shù)之所以得到廣泛應(yīng)用是由于它具有以下一些突出特點:1.直接采用語言型控制規(guī)則，設(shè)計中不需要建立被控對象的精確數(shù)學模型，使得控制機理與策略易于接受，便于應(yīng)用。2.系統(tǒng)語言控制規(guī)則具有相對的獨立性，利用這些控制規(guī)律間的模糊連結(jié)，容易找到折中的選擇，使控制效果優(yōu)于常規(guī)控制器。3.有利于模擬人工控制的過程和方法，增強控制系統(tǒng)的適應(yīng)能力，使之具有一定的智慧水平。4.魯棒性強，干擾和參數(shù)變化對控制效果的影響被大大減弱，尤其適合于非線性、時變及純滯后系統(tǒng)的控制。模糊控制理論落后于應(yīng)用的發(fā)展，所以目前模糊控制研究應(yīng)集中在理論上的挖掘。模糊控制理論是建立在模糊集合論、模糊語言變量及模糊邏輯推理基礎(chǔ)上的一種計算機數(shù)字控制理論。它因在設(shè)計系統(tǒng)時不需要建立被控對象精確的數(shù)學模型而得到了日益廣泛的應(yīng)用。模糊控制在研究像倒立擺這樣的高度非線性系統(tǒng)上有很大的優(yōu)勢。但是，在用模糊控制理論解決倒立擺這樣多變量系統(tǒng)控制問題時，不可避免會遇到規(guī)則爆炸(RuleExplosion)問題，本章研究了運用最優(yōu)控制方法設(shè)計融合函數(shù)以降低模糊控制器的輸入變量維數(shù)，大大減少模糊控制的規(guī)則數(shù)，成功解決了規(guī)則爆炸問題;并研究了量化因子對控制效果的影響，通過設(shè)置閾值使量化因子可以自動調(diào)節(jié)，進而提升了模糊控制器的性能質(zhì)量。模糊控制相對于常規(guī)控制，對于被控對象的非線性和時變性具有一定的適應(yīng)能力，然而它也存在一定的缺陷:1.精度不太高。這主要是由于模糊控制表的量化等級有限而造成的，通過增加量化等級數(shù)目雖然可以提高精度，但是查詢表將過于龐大，須占用較大空間，使運算時間增加。實際上，如果模糊控制器不引入積分機制，原則上誤差總是存在的。2.自我調(diào)整能力有限。由于量化因子和比例因子是固定的，當對象參數(shù)隨環(huán)境的變化而變化時，它不能對自己的控制規(guī)則進行有效的調(diào)整，從而使其良好的性能不能得到充分的發(fā)揮。3.易產(chǎn)生振蕩現(xiàn)象。如果查詢表構(gòu)造不合理或者量化因子和比例因子選擇不當，都會導致系統(tǒng)振蕩。5.2模糊控制理論簡介模糊控制是以模糊集合、模糊語言變量及模糊邏輯推理為基礎(chǔ)的一種計算機數(shù)字控制。從線性控制與非線性控制的角度分類，模糊控制是一種非線性控制；從控制器的智慧性看，模糊控制屬于智慧控制的范疇，而且它已經(jīng)成為目前智慧控制的一種重要而有效的形式[35~36]。模糊控制系統(tǒng)組成模糊控制屬于計算機數(shù)字控制的一種形式，因此，模糊控制系統(tǒng)的組成類似于一般數(shù)字控制系統(tǒng)，其框圖如圖4-1所示。圖5-1模糊系統(tǒng)框圖(1)模糊控制器:這是模糊控制系統(tǒng)的核心部分，采用基于模糊控制知識表示和規(guī)則推理的語言型“模糊控制器”，這也是模糊控制系統(tǒng)區(qū)別于其他自動控制系統(tǒng)的特點所在。(2)輸入/輸出接口:模糊控制器通過輸入/輸出接口從被控對象獲取數(shù)字信號量，并將模糊控制器決策的數(shù)字信號經(jīng)過數(shù)模轉(zhuǎn)換，將其轉(zhuǎn)變?yōu)槟M信號，然后送給被控對象。在I/O接口裝置中，除A/D,D/A轉(zhuǎn)換外，還包括必要的電平轉(zhuǎn)換電路。(3)執(zhí)行機構(gòu):包括交、直流電機，伺服電機，步進電機，氣動調(diào)節(jié)閥和液壓電動機、液壓閥等。(4)被控對象:這些被控對象可以是確定的或者模糊的、單變量的或者多變量的、有滯后的或者無滯后的，也可以是線性的或者非線性的，定常的或者時變的，以及具有強耦合和干擾等多種情況。對于那些難以建立精確數(shù)學模型的復雜對象，更加適合采用模糊控制。(5)傳感器:是將被控對象或者各種過程的被控量轉(zhuǎn)換為電信號(模擬或者數(shù)字)的一類裝置。被控制量往往是非電量，如位移、速度、加速度、溫度、壓力、流量、濃度、濕度等。傳感器在模糊控制系統(tǒng)中占有十分重要的地位，它的精度往往直接影響整個控制系統(tǒng)的精度，因此，在選擇傳感器時，應(yīng)該選擇精度高且穩(wěn)定性好的傳感器。模糊控制器設(shè)計的基本方法圖5-2模糊系統(tǒng)結(jié)構(gòu)圖模糊控制系統(tǒng)的核心是模糊控制器(FuzzyController)，其組成見圖5－２模糊控制器一般是可以靠軟件程序設(shè)計來實現(xiàn)的，實現(xiàn)模糊控制的一般步驟如下：(1)確定模糊控制器的輸入變量和輸出變量(即控制量)；(2)設(shè)計模糊控制器的控制規(guī)則；(3)進行模糊化和去模糊化；(4)選擇模糊控制器的輸入變量及輸出變量的論域，并確定模糊控制器的量化因子、比例因子)；(5)編制模糊控制算法的應(yīng)用程序；(6)合理選擇模糊控制算法的采樣時間。5.3倒立擺的模糊控制方法簡介在研究倒立擺這類多變量非線性系統(tǒng)的模糊控制時，一個難題就是規(guī)則爆炸(RuleExplosion)，比如一級倒立擺的控制涉及的狀態(tài)變量共有4個，每個變量的論域作7個模糊集的模糊劃分，這樣，完備的推理規(guī)則庫會包含2401個推理規(guī)則；而對于二級倒立擺有6個狀態(tài)變量，推理規(guī)則會達到117649，顯然如此多的規(guī)則是難以實現(xiàn)的。為了解決這個問題，張乃堯等提出雙死循環(huán)的倒立擺模糊控制方案，內(nèi)環(huán)控制倒立擺的角度，外環(huán)控制倒立擺的位移[12]。范醒哲等人將這一方法推廣到三級倒立擺控制系統(tǒng)中，并提出兩種模糊串級控制方案，用來解決倒立擺這類多變量系統(tǒng)模糊控制時的規(guī)則爆炸問題[37]。ShuliangLei和RezaLangari應(yīng)用分級思想將四個狀態(tài)變量分成兩個子系統(tǒng)，分別用兩個模糊控制器控制，然后再設(shè)計一個上層模糊控制器來協(xié)調(diào)子系統(tǒng)之間的相互作用[38]。文獻[39,40]提出參變量模糊控制方法解決規(guī)則爆炸問題。這種控制器結(jié)構(gòu)如圖4-3所示。圖5-3二級倒立擺模糊控制結(jié)構(gòu)5.4融合技術(shù)和融合函數(shù)融合技術(shù)從理論上講，小車位移x以及速度與擺桿角度QUOTE及擺桿角速度

存在很大的藕合關(guān)系。既要將小車運動控制在零點位置范圍內(nèi)，又要使擺不倒，就要綜合考慮擺桿和小車的力學關(guān)系以及各自所處的狀態(tài)。對于多因素問題，采用分步處理的方法能簡化問題的解決過程，這一思想可以應(yīng)用到多輸入模糊控制器的設(shè)計過程中。假設(shè)要設(shè)計高維輸入變量X映像到輸出變量Y的模糊控制器，鑒于直接設(shè)計由X到Y(jié)的單級模糊控制策略比較困難，因而可以采用多級控制方式，將單一的模糊控制策略轉(zhuǎn)化為多級控制策略嵌套:Y=F2[F1(X)](5-1)即先使用算法F1（X）對輸入變量進行初步處理，再利用算法F2（X）根據(jù)前級算法的輸出進行控制。如果算法F1（X）的輸出維數(shù)小于X的維數(shù)，那么算法F2（X）所要完成的控制工作就得到了簡化。可以看出，算法F1（X）利用系統(tǒng)狀態(tài)的相關(guān)性和輸入信息的可融合性完成了組合、提取問題信息的過程，可稱為“融合函數(shù)”。而算法F2（X）實現(xiàn)了根據(jù)約簡因素進行模糊推理的功能，可以稱為模糊作用函數(shù)?；谛畔⑷诤系亩噍斎肽：刂破髟O(shè)計方法就是通過融合函數(shù)進行信息、合并與提取，從而實現(xiàn)控制問題的逐步簡化。融合函數(shù)設(shè)計二級倒立擺是典型的多輸入單輸出(MISO)系統(tǒng)，已經(jīng)得到二級倒立擺系統(tǒng)近似線性狀態(tài)方程，因此利用線性系統(tǒng)的輸出信息具有可直接融合的特點，我們構(gòu)造了一個線性融合函數(shù)，把二級倒立擺6維狀態(tài)變量融合成綜合誤差E和綜合誤差變化EC。構(gòu)造融合函數(shù)的步驟：利用最優(yōu)控制理論計算出一組可以讓二級倒立擺系統(tǒng)的線性模型基本穩(wěn)定的狀態(tài)回饋矩陣K利用狀態(tài)反饋矩陣K構(gòu)造融合函數(shù)F1(X)通過F1(X)把輸入變量X降維，得到綜合誤差E和綜合誤差變化率EC６結(jié)束語科學技術(shù)的發(fā)展不斷給智能控制的研究提出新的挑戰(zhàn)，同時也為智能控制的發(fā)展提供了強大的推動力。在控制領(lǐng)域控制系統(tǒng)越來越復雜，控制精度要求也越高，單一的控制方法越來越難以達到要求。人們開始尋找各種控制方法的有機結(jié)合，取得了很好的成果。針對這一發(fā)展趨勢，本論文將三大智能控制方法有機結(jié)合起來，提出了基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)控制。6.1論文研究工作總結(jié)模糊控制與神經(jīng)網(wǎng)絡(luò)控制由于其控制策略的非解析式描述，能夠針對某一特定過程建立具有較強魯棒性的非線性控制器，與遺傳算法相結(jié)合形成的復合控制器可明顯改善控制效果。模糊邏輯與神經(jīng)網(wǎng)絡(luò)控制具有整體功能的等效性，都不需要建立任何數(shù)學模型，具有相同的正規(guī)數(shù)學特性，且共享同一狀態(tài)空間。但兩者也各有缺憾之處。于是將兩者結(jié)合是智慧控制發(fā)展的必然趨勢。模糊神經(jīng)網(wǎng)絡(luò)控制器便是兩者結(jié)合的典型，即基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的模糊控制，將神經(jīng)網(wǎng)絡(luò)的非線性和自學習特性應(yīng)用于模糊控制后，控制器無需專家知識，就可自動地劃分模糊子集確定模糊隸屬函數(shù)，并形成規(guī)則集，理論上可滿足任意的性能評價標準。接下來遇到的問題是尋找一種快速有效的學習優(yōu)化算法，基于神經(jīng)網(wǎng)絡(luò)的模糊控制器的權(quán)值會隨學習算法的不同而變化，能夠進行模糊規(guī)則的推理和隸屬函數(shù)的調(diào)整，所以可通過對神經(jīng)網(wǎng)絡(luò)的訓練得到模糊控制器的參數(shù)。實際應(yīng)用中對控制實時性要求往往很高，而一般的模糊神經(jīng)網(wǎng)絡(luò)控制器一般都具有四層以上的網(wǎng)絡(luò)結(jié)構(gòu)。這就導致尋優(yōu)參數(shù)增多，學習速度下降等缺點，所以對神經(jīng)網(wǎng)絡(luò)進行結(jié)構(gòu)簡化是一種行之有效的措施。普通的神經(jīng)網(wǎng)絡(luò)算法本質(zhì)上是局部尋優(yōu)算法，容易陷入局部最小點，對具有非線性及時變性的對象難以取得滿意效果。利用改進的遺傳算法訓練模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，能彌補這些不足。模糊神經(jīng)網(wǎng)絡(luò)控制器本質(zhì)上仍是模糊邏輯控制，為了提高模糊控制的精度，本文采用變論域控制，同時利用遺傳算法優(yōu)化模糊隸屬函數(shù)參數(shù)，在提高控制器精度的同時，使控制器具有了自適應(yīng)學習能力。6.2本課題的發(fā)展應(yīng)用前景智能控制不僅在理論上取得了很大的成就，己逐步邁入工程化、實用化階段。采用學習控制技術(shù)是實現(xiàn)高度智慧化控制的重要技術(shù)，學習控制技術(shù)的發(fā)展是隨著相關(guān)的模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法、專家系統(tǒng)等技術(shù)的發(fā)展而發(fā)展。由于模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法及其混合技術(shù)在基于知識的復雜系統(tǒng)的推理、識別、學習與優(yōu)化等方面表現(xiàn)出巨大的生命力，因而被廣泛地應(yīng)用在各種復雜系統(tǒng)的控制中。但目前二者結(jié)合的理論研究和實際應(yīng)用還處在不斷發(fā)展和完善中。在模式識別與數(shù)字信號處理方面，兩者結(jié)合應(yīng)用，可加快模式識別的準確度，提高識別速度，使信號的處理更具有邏輯更可靠。在經(jīng)濟管理方面，可把神經(jīng)網(wǎng)絡(luò)與模糊技術(shù)結(jié)合組成經(jīng)濟管理上的認知圖，可以通過對經(jīng)濟管理規(guī)則的模糊推理結(jié)果應(yīng)用到神經(jīng)網(wǎng)絡(luò)而實現(xiàn)經(jīng)濟管理的最優(yōu)化?？蓪⒛：壿嬇c神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來應(yīng)用到家用電器方面，改善電器的性能，降低能耗節(jié)約能源。目前模糊神經(jīng)網(wǎng)絡(luò)模型很少從人腦對模糊信息的處理機制上考慮問題，本質(zhì)上仍局限于模糊邏輯推理，而且控制仍然依賴于經(jīng)驗知識，但實際中知識經(jīng)驗的獲取往往很困難，以后應(yīng)從智能問題本身創(chuàng)造性地設(shè)計模糊神經(jīng)網(wǎng)絡(luò)模型。另外要吸取其它研究領(lǐng)域的重要成果，還要關(guān)注數(shù)學領(lǐng)域中的新研究。模糊邏輯與神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)合，是一種把經(jīng)驗與數(shù)學模型結(jié)合，把邏輯推理與數(shù)理運算結(jié)合，把抽象與具體結(jié)合的新方法。打破了各種學科在邏輯上的獨立性，這種研究預示了智能控制的發(fā)展?jié)摿εc廣闊的應(yīng)用前景。大多數(shù)控制算法都面臨這樣一個共同的問題:控制器的性能到達一定的程度后,在該算法的基礎(chǔ)上進一步提升控制系統(tǒng)性能將變得越來越困難,這就是著名的邊際效應(yīng)現(xiàn)象[11]。如何突破這一現(xiàn)象的限制成為一項重要的研究內(nèi)容。由于倒立擺系統(tǒng)的控制最終依賴于先進的控制理論的應(yīng)用,因此,最重要的解決方法無疑是智能控制理論自身的成熟與完善。此外,許多研究僅僅是基于模型的仿真(如T-S模型),而模型往往難以準確地反映真實系統(tǒng)的諸多不確定性;同時,倒立擺系統(tǒng)的智能控制問題不僅僅涉及理論算法問題,它還與各狀態(tài)參數(shù)的測量精度和傳感器的精度有關(guān)。由此可以看出,對倒立擺系統(tǒng)的控制,仍然有許多工作要做。隨著模糊邏輯控制理論與神經(jīng)網(wǎng)絡(luò)等智能控制理論的不斷成熟以及檢測技術(shù)等其它相關(guān)技術(shù)的迅速發(fā)展,對倒立擺系統(tǒng)的控制研究也將不斷深入,并取得更好的應(yīng)用效果。參考文獻[1]張東軍，從爽.倒立擺控制系統(tǒng)研究綜述.控制工程,2003,7(10):9-12.中國風能的利用現(xiàn)狀及發(fā)展摘要：隨著化石能源的不斷消耗，新能源的開發(fā)利用引起了世界各國的重視。新能源具有污染少、儲量大、永續(xù)性等特點。我國新能源產(chǎn)業(yè)呈現(xiàn)強勁發(fā)展勢頭，其中，風電發(fā)展最為迅猛。我國風能資源豐富，目前中國風電技術(shù)的開發(fā)利用取得了巨大進步。但中國的風能資源開發(fā)利用仍然存在諸多問題，如風電的并網(wǎng)消納難、電力市場不完善、相關(guān)配套法規(guī)不健全和風機制造技術(shù)基礎(chǔ)薄弱等，這些制約因素嚴重阻礙了我國風電的可持續(xù)發(fā)展。本文著重闡述了中國新能源風能的資源條件、我國風能發(fā)展現(xiàn)狀及制約中國風能發(fā)展的因素并對我國風能發(fā)電的發(fā)展前景進行了展望。能源是人類生存和發(fā)展的重要物質(zhì)基礎(chǔ)，是人類從事各種經(jīng)濟活動的原動力。由于化石能源(如煤、石油、天然氣等能源)自然儲量的有限性以及人類對其需求的無限性，隨著人類對化石燃料無節(jié)制的開采和利用，化石能源短缺的矛盾日益突出。長期以來，我國以化石能源為主的能源構(gòu)成形式加劇了對化石能源的依賴，據(jù)統(tǒng)計，2007-2021年我國能源消耗總量不斷上升，增長率分別為7.8%、4.0%、6.3%、5.9%；2021年能源消耗總量達34.8億t標準煤，比2021年增長7%。能源消耗總量中，煤、石油、天然氣這些化石能源在2007-2021年所占比例分別為93.2%、92.3%、92.2%、91.4%，是能源消費的主要部分。人均資源量少、資源消耗量大、能源供需矛盾尖銳以及利用效率低下、環(huán)境污染嚴重、能源結(jié)構(gòu)不合理[2]已成為制約我國經(jīng)濟社會可持續(xù)發(fā)展的重要因素。同時，化石能