第２２卷第９期Ｖ０１．２２Ｎｏ．９控制
ｃＤｎｔｒｏｌ
与决策
ａｎｄＤｅｃｉｓｉｏｎ
２００７年９月
ＳＣｐ．２００７
文章编号ｌ１００１—０９２０（２００７）０９—０９６１—０６
计算智能方法优化设计模糊控制系统：现状与展望
罗熊１一，孙增圻２
（１．北京科技大学信息工程学院，北京１０００８３Ｉ２，清华大学计算机科学与技术系，北京１０００８４）
摘要：计算智能方法优化模糊控铡系统是近年来的研究热点，这里对此研究方向进行了综述．首先简要舟绍了模糊控制Ｉ然后按使用计算智能方法的不同分成６大类．详尽分析了计算智能方法优化模期控制系统的研究现状－蕞后对下?步的研究工作进行了展望．
关键词：模糊控制系统Ｉ计算智能，优化设计Ｉ知识库
中圈分类号：ＴＰ２７３．４文献标识码ｔＡ
Ｓｔａｔｕｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆｏｐｔｉｍａｌｄｅｓｉｇｎｆｏｒｆｕｚｚｙｃｏｎｔｒｏｌｓｘｓｔｅｍｂａｓｅｄｏｎｃｏｍｐｕｔａｔｉｏｎａｌｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓ
ＬＵＯＸｉｏｎ９１”．ＳＵＮＺｅｎｇ—ｑｉ２
（１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ．ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇ．Ｂｅｒｉｎｇ１０００８３，Ｃｈｉｎａ｝２．ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒｓｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８４，Ｃｈｉｎａ．Ｃｏｒｒｅｓｐｏｎｄｅｎｔ：ＬＵＯＸｉｏｎｇ，Ｅ－ｍａｉｈｒｏｈｅｒｔｘｉｏｎｇｌｕｏ＠ｇｍａｉｌ．ｃｏｒｎ）
ＡｂｓｔｒａｃｔｌＩｎｒｅｃｅｎｔｙｅａｒｓ，ｏｐｔｉｍａｌｄｅｓｉｇｎｆｏｒｆｕｚｚｙｃｏｎｔｒｏｌｓｙｓｔｅｍｂａｓｅｄｏｎｃｏｍｐｕｔａｔｉｏｎａｌｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓｉｓｔｈｅ．ｈｏｔｓｐｏｔｉｎｔｈｅｒｅｓｅａｒｃｈｆｉｅｌｄ．Ｆｉｒｓｄｙ，ｔｈｅｂａｓｉｃｔｈｅｏｒｙｏｆｆｕｚｚｙｃｏｍｒｏｌｉｓｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｎ，ｔｈｅ
ｐｒｏｇｒｅｓｓ
ｍａｄｅｉｎｒｅｃｅｎｔｙｅａｒｓｉｓａｎａｌｙｚｅｄｉｎｄｅｔａｉｌ．ｗｈｉｃｈｉｓｃｌａｓｓｉｆｉｅｄｉｎｔｏｓｉｘｋｉｎｄｓａｃｃｏｒｄｉｎｇｔｏｃｏｍｐｕｔａｔｉｏｎａｌｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓｕｓｅｄｉｎｔｈｅｐｒａｃｔｉｃａｌｓｉｔｕａｔｉｏｎ．Ｆｉｎａｌｌｙ，ｔｈｅｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｓｉｎ
ｔｈｅｆｕｔｕｒｅａｒｅｐｒｏｐｏｓｅｄ．
ＫｅｙｗｏｒｄｓＦｕｚｚｙｃｏｎｔｒｏｌｓｙｓｔｅｍ；ＣｏｍｐｕｔａｔｉｏｎａｌｉｎｔｅｌｌｉｇｅｎｃｅｌＯｐｔｉｍａｌｄｅｓｉｇｎ；Ｋｎｏｗｌｅｄｇｅｂａｓｅ
１引言
模糊控制是模糊集合理论应用的一个重要方面．成功应用模糊控制的关键之一是要有效结合专家的经验知识，提高模糊控制系统的学习能力，慎重选择系统的设计参数．在系统设计过程中，遇到了一些困难：１）在模糊控制规则的优化和选取方面，主要依赖于专家的先验知识．当系统规模变得愈加复杂时，规则优化选取的工作量将巨增，仅凭人工将难以胜任．２）模糊变量的各个模糊子集的隶属度函数也对模糊控制系统的性能产生重要影响，需要优化确定多个参数．这是一个全局寻优问题，传统解决方法是反复试凑，同样难以满足复杂系统的要求．为克服这些不足，很多理论技术被应用到这一领域，其中比较典型的是神经网络技术以及各种计算智能方法等．神经网络对环境的变化具有较强的
自适应能力，可以结合神经网络的学习和分布处理能力来训练模糊规则，提高整个系统的学习和表达能力．神经网络学习算法也存在着容易陷入局部极值、收敛速度较慢，以及网络训练时闾和效果过于依赖初始值等不足，因此还需要进行相应的改进．为有效弥补神经网络方法的不足，可引入各种计算智能方法来优化设计模糊控制系统．这是一种比较有效的改进措施，这个方面的研究近年来蓬勃发展，取得了许多成果．
２模糊控制简介
在对模糊控制系统的优化设计中，主要集中在对模糊控制器的处理．模糊控制器是模糊控制系统的核心，它主要由模糊化、知识库、模糊推理，清晰化４部分组成０１．其中：模糊化负责将输入的精确量转换成模糊化量；知识库包含了具体应用领域中的知
收稿日期：２００６－０６－１３；修回日期：２００６—１０—０８．
基金项目：国家自然科学基金项目（６０６０４０１０，９０４０５０１７）；国家９７３计划项目（２００２ＣＢ３１２２０５），中国博士后基金项目（２００５０３８０７８）．
作者简介：罗熊（１９７６一），男．长沙人，讲师，博士后．从事智能优化算法，智能机器人系统等研究；孙增圻（１９４３一），男，江苏靖江人，教授，博士生导师，从事智能控制、模糊神经网络和智能飞行控制等研究．
９６２控制与决策第２２卷
识和要求的控制目标，它由数据库和模糊控制规则库两部分组成，数据库中包含了与模糊控制规则及模糊数据处理有关的各种参数，规则库包含了用模糊语言变量表示的一系列控制规则；模糊推理基于模糊逻辑中的蕴涵关系及推理规则来完成推理功能；清晰化负责将模糊推理得到的控制量变换成实际用于控制的清晰量．
在优化设计模糊控制器的过程中，关键是自动优化设计知识库，相当于高维空问的寻优问题．参数化高维空间中的每一个点代表了模糊知识库（隶属度函数和一组规则集）以及对应模糊系统的性能，模糊控制器的优化设计即相当于在高维空间中寻找一个局部的最优位置．这可以通过结合下面讨论的各种计算智能方法来实现．
３计算智能方法优化设计模糊控制的研究现状
在结合利用计算智能方法自动优化设计模糊控制系统中的知识库方面，主要涉及对模糊规则、隶属度函数和尺度变换函数等部分的学习调整，其对应的整体框架如图１所示．下面结合其中涉及到的各种具体算法来讨论相关的研究进展．
１箜Ｉ
妙
丑｜ｉ唑
●幔糨规则（ＦｕｚｚｙＲＩＩｌｅｓ）
盐
●求州膛响数（ＭｔｍｂｃｒｓｈｉｐＦｕｎｃｔｌｏｒａ）
●Ｊｔ瞳娈换雨教（Ｓ酬…ｇＦｍ“ｏ吣）』
外鼯环境Ｉ秘糊』系统的排剧ｉｌ弗
ｔ外槲境图１计算智能方法优化设计模糊控制的整体框架３．１基于进化计算
进化计算（ＥＣ）是指基于自然界进化原理而设计的特定启发式技术，它有３种典型的优化计算模式：遗传算法（ＧＡ）、进化策略（Ｅｓ）和进化规划（ＥＰ）．
３．１．１基于遗传算法
在利用计算智能方法优化设计模糊控制领域中，基于ＧＡ开展的工作是最多的，也是相对比较全面的．Ｃｏｒｄ６ｎ等人曾特别提出了一个基于遗传模糊规则的系统结构。１．下面从４个方面，分别介绍相关的工作：
（１）对隶属度函数的优化调整
模糊控制器中包含的隶属度函数主要是三角型、梯型和高斯分布型等几类简单形状，可分别通过多个参数描述．优化调整主要针对这些参数进行，基本思路是：首先根据先验知识预先确定各个参数粗略的取值范围；接着在区间范围内对各个参数分别编码，把所有的编码串起来构成一个染色体，以此表示一个待调整的隶属度函数；然后根据性能指标设定适应度函数，在此基础上，通过ＧＡ进行寻优．自从Ｋａｒｒ等人首先在这方面开展研究之后口］，各种研究工作层出不穷．Ｓｉａｒｒｙ等人基于传统的ＧＡ，优化调整了Ｔａｋａｇｉ—Ｓｕｇｅｎｏ模糊规则前件中的三角型隶属度函数的３个参数以及模糊规则库的输出，并对ＧＡ中的重要参数进行了灵敏度分析［“．Ｌｉｎ结合利用ＧＡ和最小二乘估计算法来优化调整模糊规则前件中的高斯分布型隶属度函致的参数，其中对待优化的参数采用了更直观方便的实数编码，同时设计了一种高层的变异算子，算法的收敛速度较传统的使用二进制编码的ＧＡ要快得多ｏ］．
（２）对模糊规则的优化调整
一般地，在利用ＧＡ对模糊规则的选择调整过程中，有３种通用的染色体编码方式：１）使用一个二进制值的基因来表示一个特定的逻辑规则，整个染色体的长度取决于系统可能包含的逻辑规则的数目“３；２）使用一个基因来表示一个特定逻辑规则的前件部分，使用剩余的基因表示同一逻辑规则的后件部分口３；３）使用一个基因来表示每个逻辑规则．每个基因的值就是对应逻辑规则的控制变量的语言值ｒ“．第１种编码方式的优点在于考虑了系统中逻辑规则所有可能的变换形式，缺点是染色体可能过长；而第２和第３种编码方式的优缺点恰与此相反叫．
早期的工作是Ｔｈｒｉｆｔ的研究成果［８］，他讨论了小车定位模糊控制器的设计．该模糊控制器最多有５×５条规则。将其视为一个规则表，从第ｌ行开始，按顺序将表展开，形成一个含有２５个元素的一维序列．把这个序列视为个体，对其编码．交叉算子采用传统的两点交叉，变异算子设计为将个体中选中的变异位变为其相邻的模糊集或者空．金耀初等人将模糊规则的优化转化为类似最优控制的二次型性能指标描述，提出了一种改进的ＧＡ，其中采用了“杂交”算子和“主动优生”选择机制ｏ…．Ａｎｇｅｌｏｖ设计了特殊的编码方式，减少了染色体长度，提高了计算性能‘１“．
（３）对隶属度函数和模糊规则的综合优化凋整
除了分别优化调整之外，还可以同时对隶属度
第９期罗熊等：计算智能方法优化设计模糊控制系统：现状与展望９６３
函数和模糊规则进行综合调整“２““．
Ｌｅｅ等在对Ｔａｋａｇｉ—ｓｕｇｅｎｏ型模糊控制器的优化设计中，对输入变量的隶属度函数和模糊规则后件部分涉及的参数进行二进制编码．然后执行一般遗传操作［１“．但在这种统一编码方式下，进行优化调整之后，不同模糊控制规则中同一语言变量具有相同语义的模糊子集会具有不同的参数，这使规则库失去了～定的可解释性．
另外，Ｃｏｒｄｏｎ等人将整个过程分成３个阶段，利用ＧＡ细致地依次对隶属度函数和模糊规则进行全面综合调整［１“．
（４）对变量的尺度变换函数的优化调整
在模糊化的过程中，需要进行尺度变换，将输入和输出变量变换到要求的论域范围内．尺度变换函数的选取对模糊控制器的性能影响也极大．目前分别有线性和非线性的尺度变换函数．在线性的尺度变换中，变换函数可以通过单一的比例因子或者确定的上下界等１个或２个的简单参数描述；而在非线性的尺度变换中，为了克服线性变换中存在的固定对应关系，往往采用３个或４．个缩放参数来描述非线性变换函数．
在对线性尺度变换函数的调整方面，Ｍａｇｄａｌｅｎａ等人讨论了通过确定上下界参数描述的线性尺度变换函数的优化调整ｔ其中对参数采用了实数编码方式“”．在对非线性尺度变换函数的调整方面，也有一些结果［１“．
３．１．２基于进化策略
这方面的研究，主要包括以下工作：
Ｃｏｒｄｂｎ等人提出了一个两阶段进化处理算法，用以设计基于Ｔａｋａｇｉ—Ｓｕｇｅｎｏ—Ｋａｎｇ模糊规则的系统［１目．首先是初始产生阶段，采用了基于（ｐ，＾）一ＥＳ的算法，其中具有不同后件部分的模糊规则将会相互竞争，在此基础上形成一个初始的知识库．接着是提炼细化阶段，采用了结合ＧＡ和ＥＳ的混合进化处理方法，对所形成的初始知识库中规则的前件和后件部分同时进行优化凋整，形成最后的知识库．Ｈｏｆｆｍａｎｎ研究了对模糊规则的ＥＳ学习算法，在迭代ＥＳ学习过程中，引入了一种加速算法，有效缩减了每一代种群中寻优个体的范围，提高了计算效率”］．
３．１．３基于进化规划
这方面的研究，主要包括以下工作；ｒ
Ｋａｎｇ等人在不需要假设任何规则库结构的前提下，提出了一种设计最优模糊规则库的ＥＰ算法，能同时对模糊规则库的结构和参数进行优化ｏ…．Ｌｅｅ等人将ＥＰ算法和最大熵原理相结合，提出了一个二阶段的进化算法，用于获取模糊控制规则的最优结构以及与其关联的权值系数ｏ“．
３．１．４基于其他的进化算法
此外，近几年还出现了利用其他一些新颖的进化算法（如遗传程序设计‘…、协同进化ｒ２Ⅲ“、基于Ａｇｅｎｔ的进化算法∞］、细菌进化算法叫３）来优化模糊控制的工作．
３．Ｉ．５评述
进化算法本质上可被视为一种并行搜索技术，能够找到全局最优解．纵观以上研究工作，虽取得了很多满意的优化结果，但在面向模糊控制系统构造初始可行解以及针对系统特点设计相应进化算子方面还存在一些不足．另外，它的搜索性能有时也并不令人满意，其根本原因在于它的并行搜索机制是建立在解（或染色体）的层次上，因此其搜索性能不是特别好．
３．２基于模糊退火算法
模拟退火（ｓＡ）算法也是一种全局优化算法，其收敛条件比较一般，影响ＳＡ算法效率的关键是降温表．与之相比，ＧＡ则更多地依赖于个体的编码方式以及初始种群的有效构造等前提条件．
３．２．１目前的研究工作．
模糊规则系统中，语言变量的模糊划分尺度对整个系统的性能有着重要影响．Ｃｏｒｄ６ｎ等人基于ＳＡ算法，提出了一种获取统一模糊划分尺度的新方法［”］．但其工作主要集中在对固定形状的隶属度函数和等尺度的模糊划分此类情况的处理，没有考虑更一般的情况．另外，还有一些重要工作，详见文献［２８，２９］．
３．２．２评述
在某些特定场合，ｓＡ可能比ＥＣ更适合于优化模糊控制系统，但从本质上来说，因为ＳＡ的序列搜索特性，决定了它不能通过并行体系结构实现来提高搜索性能．
３．３基于蚁群优化算法．
蚁群优化（ＡＣＯ）算法是计算智能领域中基于群智能的一类重要算法，它是通过模拟现实世界中蚁群的行为特征而提出的一种新型分布式智能仿生优化算法．
３．３．１目前的研究工作
这方面的研究工作主要集中在对模糊规则库的优化学习上．Ｃａｓｉｌｌａｓ等人研究了从数值数据中自动进行模糊规则学习的ＡＣＯ算法，设计了蚂蚁系统（Ａｓ）和蚁群系统（ＡＣＳ）两类算法ｏ］．特别值得关注的是其中设计的转化方法，为适合应用ＡＣＯ算法，将原问题转化为用图描述的组合优化问题．另
控制与决策第２２卷
外，Ｃａｓｉｌｌａｓ等人在基于ＡＣＯ算法对模糊规则学习问题求解过程中，对ＡＣＯ算法的每次迭代过程，引入局部搜索技术对所产生的最好一个解进行优化调整，在保持ＡＣＯ算法学习速度的同时，进一步改进解的质量［“］．进一步地，Ｇａｌｅａ等人提出了利用ＡＣＯ算法进行模糊规则推导的系统框架【｝ｚ］．３．３．２评述
目前使用ＡｃＯ算法优化模糊控制系统的工作还较少，但其应用效果比较令人满意．根本原因在于：与ＥＣ等相关算法相比，ＡＣＯ的搜索机制是建立在一个解的各个部分的层次上，因此搜索性能有了较大提高．目前优化模糊控制系统中使用的ＡＣＯ算法比较简单，不适合于描述和优化比较复杂的模糊控制系统．
３．４基于粒子群优化算法
粒子群优化算法（ＰｓＯ）也是一种基于群智能的算法，它源于对鸟群捕食行为的研究．
３．４．１目前的研究工作
Ｅｓｍｉｎ等人基于标准ＰＳＯ算法，特别研究了对隶属度函数的参数进行优化调整的方法［３“．３．４．２评述
ＰＳＯ与ＧＡ类似，是一种基于迭代的优化工具，同ＧＡ相比，ＰＳＯ的优势在于实现简单且需要调整的参数不多，其搜索性能优于ＧＡ．但是，针对模糊控制系统的特点，还需要在ＰＳＯ的参数选择与优化方面开展进一步的工作，使得既能避免早熟又能较快地收敛．
３．５基于免疫算法
免疫算法（ＩＡ）是一种模拟免疫系统智能行为的仿生算法．ＩＡ具有与神经网络类似的自适应性和学习能力，但它是建立在多个进程动态合作基础上，同时，它也具有与ＣＡ类似的进化机制，但它能精确控制群体多样性和特异性．
３．５．１目前的研究工作
ＩＡ有很多种类，其中最常使用的是ＩＡ与ＧＡ等其他计算智能方法融合产生的新算法，目前主要是免疫遗传算法ｌＧＡ．武晓今等人利用ＩＧＡ进行隶属度函数的优化学习口“．在ＩＧＡ中，把所处理问题的目标函数和约束条件对应于抗原，把问题的解对应于抗体，将问题空间和ＧＡ空间融合在一起，减少ＣＡ的非效率操作。提高了优化算法的性能；同时。在迭代后期．增加对种群浓度的控制，有效防止了近亲繁殖，避免了早期收敛和陷入局部最优．徐雪松等人对ＩＧＡ改进后，应用于多变量模糊控制器的模糊规则提取ｏ“．另外，还有一些重要工作‘”］．３．５．２评述
ＩＡ没有像ＧＡ一样的通用形式，针对不同类型的模糊控制系统需要研究不同的策略，但其运行的灵活性和内容的丰富性也正是ＩＡ不同于其他算法的最大特点．
３．６基于ＤＮＡ计算
ＤＮＡ计算是一种关于计算的新思维方式．它以ＤＮＡ序列作为信息编码的载体，利用分子生物学技术，以试管内控制酶作用下的ＤＮＡ序列反应来实现相应的运算．
３．６．１目前的研究工作
将ＤＮＡ计算和进化计算结合起来，可以有效改进进化计算在模拟生物的遗传和基因调控机理方面的一些不足．Ｄｉｎｇ等人提出了一种新颖的基于ＤＮＡ的进化算法ＤＮＡ—ＥＡ，用于自动获取Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模糊规则，并同时优化模糊规则前件和后件中的设计参数［…．在ＤＮＡ—ＥＡ中，采用４个字符∑｛Ａ，Ｇ，ｃ，Ｔ）来编码信息，这使染色体的编码长度大为缩短；染色体的长度是可变的，通过引入基于ＤＮＡ遗传操作的框构变异操作，可在模糊控制器中增加或删除一个或多个模糊规则，从而可以自动调整设计模糊控制器的结构ｉ引入了受微生物进化现象启发的基因转移操作，能够更频繁地驱动那些较好的规则，快速地构造模糊系统ｉ通过模拟生物ＤＮＡ的转换翻译过程，将算法中的ＤＮＡ染色体转换成模糊系统的设计参数．
３．６．２评述
现有工作主要是在ＤＮＡ计算模型的基础上引人了一些基因级操作，但研究还远远不够．为进一步与计算智能中的其他技术进行集成，还需要研究基于ＤＮＡ机理的各种智能学习方法．
４研究展望
目前，围绕计算智能方法优化模糊控制系统已经广泛地开展了很多工作，同时也取得了较多的研究成果．但是，随着智能控制理论与技术的进一步发展，在这一研究领域中，还有很多问题需要深入研究．具体包括以下几个方面：、
１）综合利用当前各种先进的智能算法优化设计模糊控制系统．一方面，可以继续将前面提及的各种计算智能方法更广泛地整合使用；另一方面，还可以引入其他更多的先进智能算法（如分布估计算法ＥＤＡ“”等新颖的高级进化算法），设计更高效的混合优化算法，探讨进一步高效优化设计模糊控制系统的新途径．
２）应用领域的进一步拓展深化．目前的研究成
第９期罗熊等；计算智能方法优化设计模糊控制系统：现状与展望９６５
果主要是通过实验仿真的形式反映出来，在实际工程中的应用相对较少．这里提出的经计算智能方法优化设计后的模糊控制系统可以应用到一般常规模糊控制涉及到的各种应用领域，包括机器人、生产调度、Ｉｎｔｅｒｎｅｔ和分子生物等方面．消化目前研究成果，不断开拓新的应用领域将是今后工作的一个侧重点．
３）新的编码方式的探索以及算法重要控制参数的进一步优化调整．个体的编码方式对整个进化算法的执行效率具有重要的影响，针对目前越来越复杂的模糊控制系统，如何设计有效的染色体编码方式来描述规则和数据库规则库的结构，将是一个值得关注的研究方向．在设计编码的过程中，需要注意两点：在同时优化控制规则和隶属度函数的设计参数时，设计的编码方案要确保得到的优化规则保持原有语言变量的含义，既要便于理解又要保证一定的精确性｝对多输人多输出的复杂模糊系统，要简化参数的编码，有效控制编码长度，确保算法执行不致占用系统过多的时间资源．．
另外，在基于进化算法优化设计参数的过程中，交叉率和变异率等控制参数值往往都通过经验确定．与此类似，ＡＣＯ算法、ＰＳＯ算法、ＩＡ中的很多控制参数值也是根据经验确定，在某种程度上限制了算法的改进，因而需要探讨自动改进这些控制参数的方法．
４）开展在线优化方面的研究，进一步提高系统的实时性能．目前主要采用离线方式对模糊控制系统进行优化调整，随着工业应用的进一步发展，需要模糊控制器能适应参数的变化，及时地进行在线优化调整．因此。需要结合计算智能方法，开展在线优化设计模糊控制系统方面的工作，以期进一步提高系统的实时性能．
５）控制系统品质分析与稳定性和鲁棒性的研究．目前对利用各种计算智能方法优化设计的模糊控制器一般稳定性和鲁棒性的理论分析还比较少，需要结合计算智能方法本身的特点，确定相应的数学理论工具，研究模糊控制系统具有稳定性和鲁棒性的高品质先进控制理论．
６）基于计算智能方法优化模糊控制的相关硬件研究．随着研究工作的深入展开，对实现相关功能的硬件研究也已被提出．在这方面，已有一些尝试．Ｓｔｅｗａｒｔ等人在特定硬件平台上，实现了利用多目标进化算法在线自动设计的模糊逻辑控制器ｏ”．受硬件技术条件的限制，要完全自动实现这样的优化模糊控制还有一定的困难．不过，基于近年来出现的ＦＰＡＡ芯片技术，可以为相关硬件的实现提供一种有效手段“０３．
５结语。
基于计算智能方法优化设计模糊控制系统是对传统模糊控制的改进和发展，它克服了以往经过反复试凑来确定控制系统参数带来的不足，通过结合各种先进计算智能方法强大的寻优能力，进行快速高效地优化设计．
随着目前计算智能方法的快速发展，各种新颖的技术方法被逐渐引人到这个开放的研究领域，有效地克服了原有的不足；反过来，在进行模糊控制系统参数优化设计的过程中，经不断地反馈提炼总结，又从特定的角度促进了计算智能的发展．这将会促进各种智能控制理论和方法的进一步融合，推动智能控制这一大的研究领域不断前进发展．
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）
［１］孙增圻，张再兴，邓志东．智能控制理论与技术［Ｍ］．北京ｚ清华大学出版社．１９９７．
．（Ｓｕｎｇｅｎｇ－ｑｉ．ＺｈａｎｇＺａｉ－ｘｉｎｇ，ＤｅｎｇＺｈｉ－ｄｏｎｇ．Ｔｈｅ
ｐｒｉｎｃｉｐｌｅｓａｎｄｔｅｃｈｎｉｑｕｅｓｏｆｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌ［Ｍ］．Ｂｅｉｊｉｎｇ：ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，１９９７．）
［２］Ｃｏｒｄ６ｎＯ，ＧｏｍｉｄｅＦ，ＨｅｒｒｅｒａＦ．ｅｔａ１．Ｔｅｎｙｅａｒｓｏｆ
、ｇｅｎｅｔｉｃｆｕｚｚｙｓｙｓｔｅｍｓ；Ｃｕｒｒｅｎｔｆｒａｍｅｗｏｒｋａｎｄｎｅｗｔｒｅｎｄｓ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ．２００４．１４１（１）：５－３１．
［３］ＫａｒｒｃＬ．ＧｅｎｔｒｙＥＪ．ＦｕｚｚｙｃｏｎｔｒｏｌｏｆｐＨｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓ．１９９３，ｌ（１）：４６＿５３．
［４］ＳｉａｒｒｙＰ，ＧｕｅｌｙＥＡｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｏｐｔｉｍｉｚｉｎｇ
Ｔａｋａｇｉ?Ｓｕｇｅｎｏｆａｚｚｙｒｕｌｅｂａｓｅｓ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄ
Ｓｙｓｔｅｍｓ，１９９８，９９（１）：３７—４７．
Ｉｓ］ＬｉｎＣＪ．ＡＧＡ－ｂａｓｅｄｎｅｕｒａｌｆｕｚｚｙｓｙｓｔｅｍｆｏｒｔｅｍｐｅｒａｔｕｒｅｃｏｎｔｒｏｌＤ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ，２００４，１４３（２）：３１１－３３３．
［６３ＬｅｋｏｖａＡ，ＭｉｋｈａｉｌｏｖＬ．ＢｏｙａｄｊｉｅｖＤ．ｅｔａ１．Ｒｅｄｕｎｄａｎｔ
ｆｕｚｚｙｒｕｌｅｓｅｘｃｌｕｓｉｏｎｂｙｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ。１９９８，１００（１－３）：２３５—２４３．’［７］ＣｈｉｎＴＣ．ＱｉｘＭ．Ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓｌｏｒｌｅａｒｎｉｎｇｔｈｅｒｕｌｅｂａｓｅｏｆｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ，１９９８，９７（１）ｌｌ－７．
［８］ＴｈｒｉｆｔＰ．Ｆｕｚｚｙｌｏｇｉｃｓｙｎｔｈｅｓｉｓｗｉｔｈｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ
［Ｃ］．Ｐｒｏｃｏｆｔｈｅ４ｔｈＩｎｔＣｏｒｄｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ．ＳａｎＤｉｅｇｏ．１９９１ｌ５０９—５１３．
［９］ＣｈｉｏｕＹＣ，ＬａｎＬＷ．Ｇｅｎｅｔｉｃｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒ，Ａｎｉｔｅｒａｔｉｖｅｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍｗｉｔｈｎｅｗｅｎｃｏｄｉｎｇｍｅｔｈｏｄ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ．２００９，１５２（３）一６１７—６３５．［１０］金耀初．蒋静坪．基于进化计算的模糊控制规则优化［Ｊ］．控制与决策，１９９６．１１（６）ｌ６７２—６７６．
（ＪｉｎＹａｏ－ｅｈｕ，ＪｉａｎｇＪｉｎｇ－ｐｉｎｇ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｆｕｚｚｙ
ｃｏｎｔｒｏｌｒｕｌｅｓｕｓｉｎｇｅｖｏ［ｕｔｉｏｎａｒｙｃｏｍｐｕｔａｔｉｏｎ［Ｊ］．
９６６控制与决策第２２卷
ＣｏｎｔｒｏｌａｎｄＤｅｃｉｓｉｏｎ，１９９６．１１（６）ｌ６７２?６７６．）
［１１３ＡｎｇｅｌｏｖＰＰ．Ａｎｅｖｏｌｕｔｉｏｎａｒｙａｐｐｒｏａｃｈｔｏｆｕｚｚｙｒｕｌｅ－ｂａｓｅｄｍｏｄｅｌｓｙｎｔｈｅｓｉｓｕｓｉｎｇｉｎｄｉｃｅｓｆｏｒｒｕｌｅｓ［Ｊ］．Ｆｕｚｚｙ
ＳｅｔｓａｎｄＳｙｓｔｅｍｓ．２００３。１３７（３）：３２５—３３８．
［１２］ＨｏｍａｉｆａｒＡ。ＭｃｃｏｒｍｉｃｋＥ．Ｓｉｍｕｌｔａｎｅｏｕｓｄｅｓｉｇｎｏｆｍｅｍｂｅｒｓｈｉｐｆｕａｃｔｌｏｎｓａｎｄｆｕｌｅｓｅｔｓ｛ｏｆｆｕｚｚｙ
ｃｏｎｔｒｏｌｌｅｒｓｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ
ｏｎＦｕｚｚｙＳｙｓｔｅｍｓ．１９９５．３（２）：１２９—１３９．
［１３３ＫａｒｒＣＬＤｅｓｉｇｎｏｆａｆｔａｄａｐｔｉｖｅｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒｕｓｉｎｇａｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ［Ｃ］．Ｐｒｏｃｏｆｔｈｅ４ｔｈＩｎｔＣｏｎｆ
ｏｔｔＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ．ＳａｎＤｉｅｇｏ?１９９１Ｉ４５０—４５７．
［１４］ＬｅｅＭＡ，ＴａｋａｇｉＨ．Ｉｎｔｅｇｒａｔｉｎｇｄｅｓｉｇｎ
ｓｔａｇｅｓ
ｏｆｆｕｚｚｙｓｙｓｔｅｍｓｕｓｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ［Ｃ］．Ｐｒｏｃｏｆｔｈｅ２ｎｄ
ＩＥＥＥＩｎｔＣｏｎｆｏｎＦｕｚｚｙＳｙｓｔｅｍｓ．ＳａｎＦｒａｎｃｉｓｃｏ，
１９９３：６１２－６１７．
［１５３ＣｏｒｄｏｎＯ．ＨｅｒｒｅｒａＦ．Ａｔｈｒｅｅ－ｓｔａｇｅｅｖｏｌｕｔｉｏｎａｒｙｐｒｏｃｅｓｓｆｏｒｌｅａｒｎｉｎｇｄｅｓｃｒｉｐｔｉｖｅａｎｄａｐｐｒｏｘｉｍａｔｅｆｕｚｚｙ
ｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒｋｎｏｗｌｅｄｇｅｂａｓｅｓｆｒｏｍｅｘａｍｐｌｅｓ［Ｊ］．Ｉｎｔ
ＪｏｆＡｐｐｒｏｘｉｍａｔｅＲｅａｓｏｎｉｎｇ?１９９７，１７（４１：３６９—４０７．［１６］ＭａｇｄａｌｅｎａＬ，Ｍｏｎａｓｔｅｒｉｏ－ＨｕｅｌｌｎＦ．Ａｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒｗｉｔｈｌｅａｒｎｉｎｇｔｈｒｏｕｇｈｔｈｅｅｖｏｌｕｔｉｏｎｏｆｉｔｓ
ｋｎｏｗｌｅｄｇｅｂａｓｅ［Ｊ］．ＩｎｔＪｏｆＡｐｐｒｏｘｉｍａｔｅＲｅａｓｏｎｉｎｇ．
１９９７．１６（３－４１ｚ３３５—３５８．
［１７３Ｃｏｒｄ６ｎＯ．ＨｅｒｒｅｒａＦ。ＭａｇｄａｌｅｎａＬ，ｅｔａＬＡｇｅｎｅｔｉｃｌｅａｒｎｉｎｇｐｒｏｃｅｓｓｆｏｒｔｈｅｓｃａｌｉｎｇｆａｃｔｏｒｓ，ｇｒａｎｕｌａｒｉｔｙａｎｄｃｏｎｔｅｘｔｓｏｆｔｈｅｆｕｚｚｙｒｕｌｅ－ｂａｓｅｄｓｙｓｔｅｍｄａｔａｂｅｓｅ［Ｊ］．
ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ，２００１ｔ１３６（１－４）ｉ８５?１０７．
［１８］ＣｏｒｄｂｎＯ．ＨｅｒｒｅｒｓＦ．Ａｔｗｏ－ｓｔａｇｅｅｖｏｌｕｔｉｏｎａｒｙｐｒｏｃｅｓｓｆｏｒｄｅｓｉｇｎｉｎｇＴＳＫｆｕｚｚｙｒｕｌｅ－ｂａｓｅｄｓｙｓｔｅｍｓ
［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄｃｙｂｅｒｎｅｔｉｃｓ
——ＰａｒｔＢ：Ｃｙｂｅｒｎｅｔｉｃｓ，１９９９，２９（６）｛７０３—７１５．
［１９］ＨｏｆｆｍａｎｎＦ．Ｃｏｍｂｉｎｉｎｇｂｏｏｓｔｉｎｇａｎｄｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍｓｆｏｒｌｅａｒｎｉｎｇｏｆｆｕｚｚｙｃｌａｓｓｉｆｉｃａｔｉｏｎｒｕｌｅｓ［Ｊ］．
ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ。２００４。１４１（１１Ｉ４７?５８．
［２０］ＫａｎｇＳＪ’ＷｏｏｃＨ．ＨｗａｎｇＨＳ，ｅｔ“Ｅｖｏｌｕｔｉｏｎａｒｙｄｅｓｉｇｎｏｆｆｕｚｚｙｒｕｌｅｂａｓｅｆｏｒｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｍｏｄｅｌｉｎｇ
ａｎｄｃｏｎｔｒｏｌ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓ．２０００，
８（１）ｔ３７－４５．
［２１］ＬｅｅＣＨ．ＹｕｃｈｉＭ，ＫｉｍＪＨ．Ｔｗｏ－ｐｈａｓｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｆｕｚｚｙｃＯｎｔｒｏｌｌｅｒｂｙｅｖｏｌｕｔｉｏｎａｒｙｐｒｏｇｒａｍｍｉｎｇ［ｃ］．
Ｐｒｏｅｏｆｔｈｅ２００３ＣｏｎｇｒｅｓｓｏｎＥｖｏｌｕｔｉｏｎａｒｙ
Ｃｏｍｐｕｔａｔｉｏｎ．Ｃａｎｂｅｒｒａ?２００３，３Ｊ１９４９—１９５６．
［２２３ＡｌｂａＥ，ＣｏｔｔａＣ，ＴｒｏｙａＪＭ．Ｅｖｏｌｕｔｉｏｎａｒｙｄｅｓｉｇｎｏｆｆｕｚｚｙｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒｓｕｓｉｎｇｓｔｒｏｎｇｌｙ－ｔｙｐｅｄＧＰ［Ｊ］．
Ｍａｔｈｗａｒｅ＆ＳｏｆｔＣｏｍｐｕｔｉｎｇ，１９９９，６（１）￡１０９－１２４．［２３３ＤｅｌｇａｄｏＭＲ．ＺｕｂｅｎＦＶ．ＧｏｍｉｄｅＥＣｏｅｖｏｌｕｔｉｏｎａｒｙｇｅｎｅｔｉｃｆｕｚｚｙｓｙｓｔｅｍｓｆＡｈｉｅｒａｒｃｈｉｅａＩｃｏｌｌａｈｏｒａｔｉｖｅａｐｐｒｏａｃｈ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓｔｅｍｓ，２００４，１４１（１）：
８９－１０６．
［２４３ｓｉｒｅＫＢ?ＢｙｕｎＫＳ．ＬｅｅＤＷ．Ｄｅｓｉｇｎｏｆｆｕｚｚｙｃｏｎｔｒｏｌｌｅｒｕｓｉｎｇｓｃｈｅｍａｅｏｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ［Ｊ］．
ＩＥＥＥＴｒａｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓ?２００４?１２（４）：５６５。５６８．［２５３ＷａｎｇＨ，ＫｗｏｎｇＳ，ＪｉｎＹ，ｅｔａＬＡｇｅｎｔ－ｂａｓｅｄｅｖｏｌｕｔｉｏｎａｒｙａｐｐｒｏａｃｈｆｏｒｉｎｔｅｒｐｒｅｔａｂｌｅｒｕｌｅ－ｂａｓｅｄ
ｋｎｏｗｌｅｄｇｅｅｘｔｒａｃｔｉｏｎ［ｊ］．ＩＥＥＥＴｒａｎｓｏｎＳｙｓｔｅｍｓ，
ＭａｎａｎｄＣｙｂｅｒｎｅｔｉｃｓ——ＰａｒｔＣ
ＥＡｐｐｌｉｃａｔｉｏｎｓ
ａｎｄＲｅｖｉｅｗｓ，２００５，３５（２１：１４３—１５５．
［２６３ＮａｗａＮＥ．ＦｕｒｕｈａｓｈｉＴ．Ｆｕｚｚｙｓｙｓｔｅｍｐａｒａｍｅｔｅｒｓｄｉｓｃｏｖｅｒｙｂｙ
ｂａｃｔｅｒｉａｌｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒｕｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍｓ．１９９９．７（５）一６０８－６１６．
［２７３Ｃｏｒｄ６ｎＯ．ＨｅｒｒｅＭＦ．ＶｉｌｌａｒＰ．ＡｎａｌｙｓｉｓａｎｄｇｕｉｄｅｌｉｎｅｓｔｏｏｂｔａｉｎａｇｏｏｄｕｎｉｆｏＦｅｎｆｕｚｚｙｐａｒｔｉｔｉｏｎ
ｇｒａｎｕｌａｒｉｔｙ
ｆｏｒｆｕｚｚｙｒｕｌｅ－ｂａｓｅｄｓｙｓｔｅｍｓｕｓｉｎｇｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ［Ｊ］．ＩｎｔＪｏｆＡｐｐｒｏｘｉｍａｔｅ
Ｒｅａｓｏｎｉｎｇ，２０００．２５（３）ｔ１８７—２１５．
［２８３Ｇｕ６１ｙＦ．ＬａＲ，ＳｌａｒｒｙＰＦｕｚｚｙｒｕｌｅｂａｓｅｌｅａｒｎｉｎｇｔｈｒｏｕｇｈｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄ
Ｓｙｓｔｅｍｓ．１９９９。１０５（３）ｌ３５３—３６３．
［２９３ＧａｒｉｂａｌｄｉＪＭ．ＩｆｅａｃｈｏｒＥＣ．ＡｐｐｌｉｃａｔｉｏｎｏｆｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇｆｕｚｚｙｍｎｄｄｔｕｎｉｎｇｔｏｕｍｂｉｌｉｃａｌｃＯｒｄａｃｉｄ－
ｂａｓｅｉｎｔｅｒｐｒｅｔａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｍ０１１ＦｕｒｙＳｙｓｔｅｍｓ．
１９９９，７（１）ｚ７２－８４．
［３０３ＣａｓｉｌｌａｓＪ．Ｃｏｒｄ６ｎＯ，ＨｅｒｒｅｒａＦ．Ｌｅａｒｎｉｎｇｆｕｚｚｙｒｕｌｅｓｕｓｉｎｇａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｓ［Ｃ］．Ｐｒｏｃｏｆ
ｔｈｅ２ｎｄＩｎｔＷｏｒｋｓｈｏｐｏｎＡｎｔＡｌｇｏｒｉｔｈｍｓ，ＦｒｏｍＡｎｔＣ０１０ｎｉｅｓｔｏＡｒｔｉｆｉｃｉａｔＡｎｔｓ．Ｂｒｕｓｓｅｌｓ，２０００：１３－２１．
［３１］ＣａｓｉｌｌａｓＪｔＣｏｒｄＯｎＯ，ＨｅｒｒｅｒａＲＬｅａｒｎｉｎｇｃｏｏｐｅｒａｔｉｖｅｆｕｚｚｙｌｉｎｇｕｉｓｔｉｃｒｕｌｅｓｕｓｉｎｇａｎｔｃ０１０ｎｙｏｐｔｉｍｉｚａｔｉｏｎ
ａｌｇｏｒｉｔｈｍｓ［Ｒ］．ＧｒａｎａｄａｌＤｅｐｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ
ａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＧｒａｎａｄａ。
２０００．
［３２３ＧａｌｅａＭ，ＳｈｅｎＱＦｕｚｚｙｒｕｌｅｓｆｒｏｍａｎｔ－ｉｎｓｐｉｒｅｄｃｏｍｐｕｔａｔｉｏｎ［Ｃ］．Ｐｒｏｃｏｆｔｈｅ２００４１ＥＥＥＩｎｔＣＯｎｆｏｌｌ
ＦｕｚｚｙＳｙｓｔｅｍｓ．Ｂｕｄａｐｅｓｔ，２００４，３：１６９１—１６９６．
［３６３ＥｓｍｉｎＡＡＡ，ＡｏｋｉＡＲ，Ｌａｍｂｅｒｔ－ＴｏｒｒｅｓＧ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｆｏｒｆｕｚｚｙｍｅｍｂｅｒｓｈｉｐｆｕｎｃｔｉｏｎｓ
ｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］．Ｐｒｏｃｏｆｔｈｅ２００２ＩＥＥＥＩｎｔＣｏｎｆｏｎ
Ｓｙｓｔｅｍｓ．ＭａｎａｎｄＣｙｂｅｒｎｅｔｉｃｓ．Ｈａｍｍａｍｅｔ，２００２?３ｌ
１０８?１１３．
［３４］武晓夸．韩生廉．结合免疫功能的遗传算法及其在技能模糊控制中的应用［Ｊ］．小型微型计算机系统，
２００３，２４（７）：１３１２—１３１５．
（ＷｕＸｉａｏ－ｊｉｎ，ＨｕｎＳｈｅｎｇ—ｌｉａｎ．Ｉｍｍｕｎｅｇｅｎｅｔｉｃ
ａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｓｋｉｌｌｆｕｚｚｙｃｏｎｔｒｏｌ［Ｊ］．
Ｍｉｎｉ－ＭｉｃｒｏＳｙｓｔｅｒｎｓ，２００３．２４（７）ｆ１３１２一１３１５．）
［３６３徐雪松．诸静．免疫遗传算法的改进及其在模糊控制中的应用研究［Ｊ］．信息与控制，２００３．３２（５）：４６２—４６６．
（ＸｕＸｕｅ－ｓｏｎｇ．ＺｈｕＪｉｎｇ．Ａｎｉｍｐｒｏｖｅｄｉｍｍｕｎｅｇｅｎｅｔｉｃ
ａｌｇｏｒｉｔｈｍｆｏｒｆｕｚｚｙｃｏｎｔｒｏｌ［Ｊ］．ＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２００３．３２（５）ｌ４６２－４６６．）
（下转第９７１页）
第９期毛剑琳等：无线传媾器网络ＴＤＭＡ调度的能量一时廷Ｐａｒｅｔｏ优化９７１
表Ｉ可以看到。ＰＳＯ－Ｐａｒｅｔｏ的总任务完成时间是和ＮＢＳＡ算法相当的，其中解（３），（４），（６）比ＮＢＳＡ算法的总任务完成时问要小．
对上述结果进行分析和总结，ＰＳＯ－Ｐａｒｅｔｏ优于另两种算法的原因在于：
１）有效解决问题的思路．本文的ＴＤＭＡ时隙分配思路是对所有子任务依次安排时隙，这种解决思路不会产生空闲时隙。可以保证较好的肘间性能，而且子任务时隙能灵活调整，可令节点工作的连续性好，从而降低能量消耗．
２）好的搜索算法．ＰＳＯ算法能以Ｐａｒｅｔｏ解集为指导充分搜索解空问。提高时隙安排的灵活性，从而能找到更好的能量和时延性能的折衷点．
５结语
本文针对无线传感器网络多到一的数据传输特点，结合Ｐａｒｅｔｏ优化方法和搜索能力强的ＰＳＯ算法，对ＴＤＭＡ调度问题提出了ＰＳＯ－Ｐａｒｅｔｏ算法．该算法具有如下优势：１）在进化搜索算法的问题求解框架之下，易于处理多个目标寻优的问题，建立多目标优化的模型；２）可充分发挥进化搜索算法对ＮＰ问题的求解能力ｉ３）Ｐａｒｅｔｏ优化概念的引入使多目标解的评价更加合理，能为决策者在网络性能的取舍上提供更多的选择．
在无线传感器网络中，多目标优化问题普遍存在，而且多数目标之间存在牵制关系．对此，本文提出的多目标优化算法可以为这类问题提供一个很好的解决思路．
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）
［１］ＫａｈｎｊＭ，ＫａｔｚＲＨ，ＰｉｓｔｅｒＫ５Ｊ．Ｎｅｘｔ
ｃｅｎｔｕｒｙｃｈａｌｌｅｎｇｅｓ：Ｍｏｂｉｌｅｎｅｔｗｏｒｋｉｎｇｆｏｒｓｍａｒｔｄｕｓｔ［Ｃ］．Ｍｏｂｉｃｏｍ９９．ＳｅａｔｔｌｅＷａｓｈｉｎｇｔｏｎ，１９９９：２７１—２７８．
（上接第９６６页）
［３６３ＺｕｏｘＱ．ＬｉＳＹ．Ｄｅｓｉｇｎｏｆ８ｆｕｚｚｙｌｏｇｉｃａｌｃｏｎｔｒｏｌｌｅｒｂｙｉｍｍｕｎｅａｌｇｏｒｉｔｈｍｗｉｔｈａｐｐｌｉｃａｔｉｏｎｔｏａｎｉｎｖｅｒｔｅｄ
ｐｅｎｄｕｌｕｍｓｙｓｔｅｍ［Ｃ］．Ｐｒｏｃｏｆｔｈｅ２００３Ｃｏｎｇｒｅｓｓｏｎ
ＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ．Ｈｏｎｏｌｕｌｕ，２００３，１：１００－
１０６．
［３７］ＤｉｎｇＹＳ．ＲｅｎＬＨ，ＳｈａｏＳＨ．Ａｕｔｏｍａｔｉｃｄｅｓｉｇｎｏｆｔａｋａｇｉ－ｓｎｇｅｎｏｆｕｚｚｙｃｏｎｔｒｏｌｌｅｒｓｂｙ８ｆｌｅｗＤＮＡ－ｂ丑ｓｅｄ
ｅｖｏｌｕｔｉｏｎａｒｙ
ａｌｇｏｒｉｔｈｍ［Ｊ］．ＡｃｔａＡｕｍｍａｔｉｃａＳｉｎｉｃａ．２００１．２７（４１；５１０－５２０．
［３８］Ｌａｒｒ８１—１ａｇａＰ，ＬｏｚａｎｏＪ丸Ｅｓｔｉｍａｔｉｏｎｏｆｄｉｓｔｒｉｂｕｔｉｏｎａｌｇｏｒｉｔｈｍｓ：Ａｎｅｗｔｏｏｌｆｏｒｅｖｏｌｕｔｉｏａａｒｙｃｏｍｐｕｔａｔｉｏｎ［２］ＳｈｉｈＥ，ＣｈｏＳＨ，ＩｃｋｅｓＮ．ｅｔａ１．Ｅｎｅｒｇｙ－ｅｆｆｉｃｉｅｎｔｌｉｎｋｌａｙｅｒｆｏｒｗｉｒｅｌｅｓｓ
ｍｉｅｒｏｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｃ］．ＰｒｏｅｏｆｔｈａＷｏｒｋｓｈｏｐｏｎＶＬＳｌ２００１．Ｏｒｌａｎｄｏ?２００１：１６—２１．
［３］ＰｅｉＧｕａｎｇｙｕ．ＣｈａｒｌｅｓＣｈｉｅｎ．ＬｏｗｐｏｗｅｒＴＤＭＡｉｎｌａｒｇｅｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｃ］，ＰｒｏｃｏｆＭＩＬＣＯＭ．２００１．１，３４７－３５１．
［４］ＳｉｎｅｍＣｏｌｅｒｉＥｒｇｅｎ．ＰｒａｖｉｎＶａｒａｉｙａ．ＴＤＭＡｓｃｈｅｄｕｌｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｒ］．Ｂｅｒｋｅｌｅｙ：ｌｋｐａｒｔｍｅａｔａｆＥＬｅｃｔｒｉｏｄＥｎｇｌｎｅｅｄｎｇａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅｓ．ＵｎｉｖｅｒｓｉｔｙｏｆＣａｌｉｆｏｒｎｉａｔ２００５．
［５］ＣｈｏｉＨ，ＷａｎｇＪｕ，ＥｓｔｈｅｒＡＨｕｇｈｅｓ．ＳｃｈｅｄｕｌｉｎｇｏｎｓｅｎｓｏｒｈｙｂｒｉｄＮｅｔｗｏｒｋ［Ｃ］．ＩＥＥＥＩＣＣＣＮ．ＳａｎＤｉｅｇｏ．２００５，５０３—５０８．
［６］ＦｌｏｒｅｎｓＣ，ＭｅＥｌｉｅｅｅＲ．ＰａｃｋｅｔｄｉｓｔｒｉｂｕｔｉｏｎａｌｇｏｒｉｔｈｍｓｆｏｒＭｆｌｓｏｒｎｅｔｗｏｒｋｓ［ｃ］．ＩＥＥＥＩＮＦ（）ｃｏＭ。ＳａｎＤｉｅｇｏ，２００３ｌ１０６３－１０７２．
［７］ＳｈａｓｈｉｄｈａｒＧａｎｄｈａｍ．ＺｈａｎｇＹｉｎｇ．ＨｕａｎｇＱｉｎ９４ｅｎｇ．Ｄｉｓｔｒｉｂｕｔｅｄｍｉｎｉｍａｌｔｉｍｅｃｏｎｖｅｒｇｅｃａｓｔｓｃｈｅｄｕｌｉｎｇｉｎｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｃ］．Ｔｈｅ２９ｔｈＩｎｔＣｏｎｆＤｉｓｔｒｉｂｕｔｅｄＣｏｍｐｕｔｉｎｇＳｙｓｔｅｍｓ（ＩｃＤＣｓ０６）．Ｌｉｓｂｏｎ，２００６．
［８］ＧａｕｒａｖＪｏｌｌｙ，ＭｏｈａｍｅｄＹｏｕｎｉｓ．Ａｎｅｎｅｒｇｙ－ｅｆｆｉｃｉｅｎｔ，ｓｃａｌａｂｌｅａｎｄｃｏｌｌｉｓｉｏｎ－ｆｒｅｅＭＡＣｌａｙｅｒｐｒｏｔｏｃｏＩ／Ｏｒｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｊ］．ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇ．２００５．５（３）ｔ２８５－３０４．
［９］ＥｂｅｒｈａｒｔＲ，ＳｂｉＹ．ＣｏｍｐａｒｉｓｏｎｂｅｔｗＨｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓａｎｄｐａｒｔｉｃｌｅＳＷＳｌＴＨｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］．Ｖｏｌｕｍｅ１４４７ｏｔＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ．Ｓｐｒｉｎｇｅｒ，１９９８：６１１－６１６．
［１０］ＤｅｂＫ．Ｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍｓｆｏｒｍｕｌｔｉ－ｃｒｌｔｅｒｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｉｎｅｎｇｉｎｅｅｒｉｎｇＤｅｓｉｇｎ［Ｃ］．ＰｒｏｃｏｆＥｖｏｌｕｔｉｏｎａｒｙＡｌｇｏｒｉｔｈｍｓｉｎＥｎｇｉｎｅｅｒｉｎｇａｎｄＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ（ＥＵＲＯＧＥＮ－９９）．Ｃｈｉｃｈｅｓｔｅｒ，ＪｏｈｎＷｉｌｙ８ＬＳｏｎｓ，１９９９：１３５—１９１．
［Ｍ］．ＤｏｒｄｒｅｃｈｔｔＫｌｕｗｅｒＡｃａｄｅｍｉｃＰｕｂｌｉｓｈｅｒｓ．２００１．［８９３ＳｔｅｗａｒｔＰ，ＳｔｏｎｅＤＡ，ＦｌｅｍｉｎｇＰＪ．Ｄｅｓｉｇｎｏｆｒｏｂｕｓｔｆｕｚｚｙ－ｌｏｇ［ｃｃｏｎｔｒｏｌｓｙｓｔｅｒａｓｂｙｍｕｌｔｉ－ｏｂｉｅｃｒｉｖｅｅｖｏｌｕｔｉｏｎａｒｙｍｅｔｈｏｄｓｗｉｔｈｈａｒｄｗａｒｅｉｎｔｈｅｌｏｏｐ［Ｊ］．
ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２００４，１７（３）Ｉ２７５—２８４．
［４０２ＡｍａｒａｌＪＦＭ，ＴａａｓｃｂｅｉｔＲ，ＰａｃｈｅｃｏＭＡＣ，ｅｃａ１．Ｅｖｏｌｕｔｉｏｎａｒｙｆｕｚｚｙｓｙｓｔｅｍｄｅｓｉｇｎａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎ［ｃ］．Ｐｒｏｃｏｆｔｈｅ９ｔｈＩｎｔＣｏｎ！ｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ．Ｓｉｎｇａｐｏｒｅ。２００２，４：１８７２－１８７６．
计算智能方法优化设计模糊控制系统:现状与展望
作者：罗熊， 孙增圻， LUO Xiong， SUN Zeng-qi
作者单位：罗熊,LUO Xiong(北京科技大学,信息工程学院,北京,100083;清华大学,计算机科学与技术系,北京,100084)， 孙增圻,SUN Zeng-qi(清华大学,计算机科学与技术系,北京,100084)
刊名：
控制与决策
英文刊名：CONTROL AND DECISION
年，卷(期)：2007，22(9)
被引用次数：3次
参考文献(40条)
1.孙增圻.张再兴.邓志东智能控制理论与技术 1997
2.Cordón O.Gomide F.Herrera F Ten years of genetic fuzzy systems:Current framework and new trends 2004(01)
3.Karr C L.Gentry E J Fuzzy control of pH using genetic algorithms 1993(01)
4.Siarry P.Guely F A genetic algorithm for optimizing Takagi-Sugeno fuzzy rule bases 1998(01)
5.Lin C J A GA-based neural fuzzy system for temperature control 2004(02)
6.Lekova A.Mikhailov L.Boyadjiev D Redundant fuzzy rules exclusion by genetic algorithms 1998(1-3)
7.Chin T C.Qi X M Genetic algorithms for learning the rule base of fuzzy logic controller 1998(01)
8.Thrift P Fuzzy logic synthesis with genetic algorithms 1991
9.Chiou Y https://www.doczj.com/doc/1a18551352.html,n L W Genetic fuzzy logic controller:An iterative evolution algorithm with new encoding method 2005(03)
10.金耀初.蒋静坪基于进化计算的模糊控制规则优化[期刊论文]-控制与决策 1996(06)
11.Angelov P P An evolutionary approach to fuzzy rule-based model synthesis using indices for rules 2003(03)
12.Homaifar A.Mccormick E Simultaneous design of membership functions and rule sets for fuzzy controllers using genetic algorithms 1995(02)
13.Karr C L Design of an adaptive fuzzy logic controller using a genetic algorithm 1991
14.Lee M A.Takagi H Integrating design stages of fuzzy systems using genetic algorithms 1993
15.Cordon O.Herrera F A three-stage evolutionary process for learning descriptive and approximate fuzzy logic controller knowledge bases from examples 1997(04)
16.Magdalena L.Monasterio-Huelin F A fuzzy logic controller with learning through the evolution of its knowledge base 1997(3-4)
17.Cordón O.Herrera F.Magdalena L A genetic learning process for the scaling factors,granularity and contexts of the fuzzy rule-based system data base 2001(1-4)
18.Cordón O.Herrera F A two-stage evolutionary process for designing TSK fuzzy rule-based systems 1999(06)
19.Hoffmann F Combining boosting and evolutionary algorithms for learning of fuzzy classification rules 2004(01)
20.Kang S J.Woo C H.Hwang H S Evolutionary design of fuzzy rule base for nonlinear system modeling and control 2000(01)
21.Lee C H.Yuchi M.Kim J H Two-phase optimization of fuzzy controller by evolutionary programming 2003
22.Alba E.Cotta C.Troya J M Evolutionary design of fuzzy logic controllers using strongly-typed GP 1999(01)
23.Delgado M R.Zuben F V.Gomide F Coevolutionary genetic fuzzy systems:A hierarchical collaborative approach 2004(01)
24.Sim K B.Byun K S.Lee D W Design of fuzzy controller using schema coevolutionary algorithm
2004(04)
25.Wang H.Kwong S.Jin Y Agent-based evolutionary approach for interpretable rule-based knowledge extraction 2005(02)
26.Nawa N E.Furuhashi T Fuzzy system parameters discovery by bacterial evolutionary algorithm
1999(05)
27.Cordón O.Herrera F.Villar P Analysis and guidelines to obtain a good uniform fuzzy partition granularity for fuzzy rule-based systems using simulated annealing 2000(03)
28.Guély https://www.doczj.com/doc/1a18551352.html, R.Siarry P Fuzzy rule base learning through simulated annealing 1999(03)
29.Garibaldi J M.Ifeachor E C Application of simulated annealing fuzzy model tuning to umbilical cord acid-base interpretation 1999(01)
30.Casillas J.Cordón O.Herrera F Learning fuzzy rules using ant colony optimization algorithms 2000
31.Casillas J.Cordón O.Herrera F Learning cooperative fuzzy linguistic rules using ant colony optimization algorithms 2000
32.Galea M.Shen Q Fuzzy rules from ant-inspired computation 2004
33.Esmin A A A.Aoki A https://www.doczj.com/doc/1a18551352.html,mbert-Torres G Particle swarm optimization for fuzzy membership functions optimization 2002
34.武晓今.韩生廉结合免疫功能的遗传算法及其在技能模糊控制中的应用[期刊论文]-小型微型计算机系统2003(07)
35.徐雪松.诸静免疫遗传算法的改进及其在模糊控制中的应用研究[期刊论文]-信息与控制 2003(05)
36.Zuo X Q.Li S Y Design of a fuzzy logical controller by immune algorithm with application to an inverted pendulum system 2003
37.Ding Y S.Ren L H.Shao S H Automatic design of takagi-sugeno fuzzy controllers by a new DNA-based evolutionary algorithm[期刊论文]-Acta Automatica Sinica 2001(04)
https://www.doczj.com/doc/1a18551352.html,rraaga P.Lozano J A Estimation of distribution algorithms:A new tool for evolutionary computation 2001
39.Stewart P.Stone D A.Fleming P J Design of robust fuzzy-logic control systems by multi-objective evolutionary methods with hardware in the loop 2004(03)
40.Amaral J F M.Tanscheit R.Pacheco M A C Evolutionary fuzzy system design and implementation 2002
相似文献(5条)
1.会议论文罗熊.孙增圻计算智能方法优化设计模糊控制系统：现状与展望2008
,分成六大类,详尽分析了计算智能方法优化模糊控制系统的研究现状，并对下一步的研究工作进行了展望。
2.学位论文徐蔚鸿模糊智能系统中模糊推理研究2004
推理功能是人类智能的主要特征之一,计算智能是实现人工智能的一种重要的新技术,而其中的模糊推理是模糊专家系统、模糊控制系统的理论基础和核心,是信息科学中一个进行模糊信息处理和实现机器智能的重要工具,因而是计算机科学、控制科学和人文决策等学科的重要研究课题.本文基于单体模糊神经网络提出了一种广义的Mamdani算法,提出了两个神经网络模型分别进行广义取式推理和广义拒式推理,给出了这些网络的性质、学习算法和推理实例,并与其它方法进行了比较.传统的区间值模糊集的相容性则度由于结构复杂,从而掩盖了它的一些本质,而且与人的某些直觉不符,为此本文另外提出了一个"相合度"概念,并将两者进行了比较,分别给出了相容度和相合度为1的充分必要条件和直观解释,并首次讨论了模糊推理对相容度和相合度的传播问题.基于T范数和S范数本文提出了F1型和F2型两类神经元模型,前者灵敏性强鲁棒性弱,更适宜用于给出了工业控制系统,而后者灵敏性弱棒性强,更适宜用于人文决策领域,并给出了广义AND/OR运算为T/S范数簇的充分必要条件,而且应用F1型和F2型构造了一个神经网络应用于模糊推理,新的推理算法是CRI法的推广拥有更好的性质;同时本文首次提出了弱界三角范数的概念,其可应用于信息不完备和子命题之间关系复杂情形下的模糊命题演算问题.提出了一般的模糊推理算对规则摄动的鲁棒性的概念,并具体分析了模糊蕴涵算子对多类模糊推理算法拥有良好的这种鲁棒性的影响,分别给出了相应的充分必要条件,还提出了一般模糊神经网络对训练模式对摄动的鲁棒性的概念,并就多种学习算法具体分析了模糊联想记忆网络的这种鲁棒性,并尝试了利用这些分析结果反过来对模糊规则的获取过程进行警示和指导.当讨论的这种鲁棒性较好时,规则的摄动或粗糙是安全的可行的,从而可减轻领域专家的压力
,或降低数据采集设备精度要求.
3.学位论文张持健商空间下模糊系统与模糊控制的问题求解2005
本文分析、处理了模糊逻辑工程所要解决的模糊逻辑本质问题和结构优化问题。把商空间理论应用到模糊逻辑的研究，将是一个具有广泛应用前景的课题。本文回顾了计算智能在模糊逻辑中的研究进展和应用，讨论了商空间理论在模糊逻辑工程领域研究和应用的依据和意义。通过将商空间理论应用于模糊逻辑的本质和鲁棒性行为的研究，提出了序关系结构是模糊控制系统成功的基础(必要条件)，基于模糊等价关系的分层递阶结构保证了模糊控制系统的结构鲁棒性(性能鲁棒性和稳定鲁棒性)。
本文在分析模糊控制系统设计现状的基础上(特别是模糊自适应神经网络)，提出了基于FP神经网络覆盖算法的模糊系统设计。首先改进了原有的
FP覆盖算法，在此基础上利用前面提出的模糊集的结构性定义，建立了模糊FP神经网络覆盖算法的理论框架和系统。通过引用模糊集结构性定义的思想，充分利用了系统学习样本中样本与样本之间、样本与“模糊内核”之间的关系信息，充分利用这些一般分类方法中舍弃的信息，合理给出模糊模式分类的边界设定。最后，通过一个高精度模糊PID温度控制系统的示例，证明以上方法正确有效。
4.学位论文崔佳遗传算法在神经模糊控制器优化和BP神经网络优化中的应用2007
随着人工智能、计算机的进步，智能控制在国内外有了很大的发展。模糊控制系统和神经网络系统作为常用的智能控制系统，被广泛应用于各个科学等领域。本文针对模糊控制和神经网络控制中的不足，利用计算智能中的遗传算法对其进行优化设计。论文的主要工作如下：
1.讨论了基本遗传算法与其它传统优化算法的优缺点，并针对基本遗传算法存在欺骗、早熟以及停滞的问题，对基本遗传算法在选择操作以及交叉和变异算子上进行了相应的改进。通过仿真实验说明改进的遗传算法的性能确实优于一般遗传算法。
2.研究了模糊控制器的主要结构及工作原理，讨论了传统模糊控制器的设计依赖于领域专家的知识和经验，没有像现代控制理论那样完善和系统化，也缺少系统化的设计方法等的不足之处。而遗传算法不需要待优化函数具有连续可微性，并具有很强的通用性和隐含并行性。因此，拟用遗传算法来解决复杂系统控制器参数优化问题。最后将改进后的遗传算法应用到模糊控制器的优化设计中，提出了基于改进遗传算法的模糊控制器优化设计方法。在倒立摆系统为对象的实验中，本文用遗传算法优化了ANFIS控制器，实验结果表明具有良好的效果。
3．BP网络作为神经网络最常用的形式，本文首先讨论了其收敛速度慢、容易陷入局部最优等缺陷，然后利用遗传算法具有全局寻优的特点对BP网络进行优化设计，提高了一般BP算法的收敛速度，并取得了较高的精度。最后将基于GA的BP网络应用于ECG的ST段分类上，取得较好的成果。
5.学位论文渠昀山城市高架桥的遗传优化模糊控制2007
桥梁抗震减震一直是地震工程中的一项重要内容，本文的研究内容属于地震工程桥梁结构控制研究范畴。结构振动控制的研究包括控制装置和控制策略两部分。虽然结构振动控制的研究已经取得长足的进步，许多控制装置已经成功地应用于实际工程之中，然而关于结构振动控制策略的研究还存在许多问题。被控结构系统的非线性、时变、时滞、强耦合、分布参数以及非确定性等复杂因素的影响，给振动控制策略的研究带来很大困难。目前智能材料的发展和振动控制技术的运用，为解决城市高架桥的强烈振动提供了可能和新的途径。结构振动智能控制策略(方法)的研究为解决以上问题开辟了一条有效途径。模糊控制特别适合于处理那些难以建立精确数学模型的复杂控制对象，结构振动模糊控制策略的研究为解决以上问题开辟了一条有效途径，在这方面进行深入研究具有重要的理论价值和工程实用价值，本文较为系统地研究了城市高架桥在地震反应中的模糊控制问题。
本文在充分借鉴现代控制理论、智能控制理论、系统辨识技术、计算智能方法、新材料技术的基础上，进行了较完整的城市高架桥结构振动模糊主动控制系统的研究。本文的主要研究内容如下：
1、提出了应用遗传算法对LQR权矩阵进行优化，从而达到控制要求的效果，并通过对高架桥上部结构位移进行了仿真控制分析，验证了本文所提方法的有效性和实用性。
2、应用简化的Takagi-Sugeno模糊推理算法，避免了在设计T-S控制器时容易出现参数呈指数爆炸的弊端，对城市高架桥上部结构位移进行控制，并通过分析可知：Takagi-Sugeno模糊控制属于非线性的实时控制，当无须建立受控模型的精确数学模型时，则显示出此控制方法的优势。
3、利用Mamdani模糊推理算法，通过分析结构的运动、外干扰力和控制力三者之间的关系，提取控制规则设计模糊控制器，采用Matlab软件的Simulink对高架桥上部结构位移进行了仿真控制分析，可以得出结论：模型系统对受控模型参数(刚度、阻尼)要求并不严格，当模型系统无须建立受控模型的精确数学模型，能起到良好的控制效果。
4、传统的模糊控制器的设计是基于专家知识和熟练的操作经验，而遗传算法是一种并行搜索、全局优化的学习算法，本文将遗传算法引入Mamdani模糊控制中。利用遗传算法寻找模糊控制器中的各项最优参数，包括隶属度和规则的寻优，使模糊控制系统具有自学习、自组织的功能。同时以城市高架桥结构模型为算例，采用Matlab软件的Simulink对高架桥上部结构位移进行了仿真控制分析，取得了良好的控制效果。
引证文献(3条)
1.肖会芹垃圾焚烧过程自适应模糊复合控制策略[期刊论文]-计算机工程与应用 2010(3)
2.严建峰.李伟华故障诊断系统的综合收益评价模型[期刊论文]-计算机科学 2009(1)
3.周红梅智能计算主要算法的概述[期刊论文]-电脑知识与技术 2010(9)
本文链接：https://www.doczj.com/doc/1a18551352.html,/Periodical_kzyjc200709001.aspx
授权使用：中南大学(zndx)，授权号：065742a9-c14e-465c-a3ec-9ded0105f74e
下载时间：2010年9月10日