下载文档原格式
文章编号 100426410(2001)0420006204收稿日期:2001207206基金项目:广西教育厅科研基金资助项目,桂教科(98)1261号作者简介:姜阳(19762),男,陕西铜川人,广西大学电气工程学院硕士研究生。
基于M A TLAB 遗传算法工具箱的控制系统设计仿真姜 阳1,孔 峰2(11广西大学电气工程学院,广西南宁 530004;21广西工学院电子信息与控制工程系,广西柳州 545006)摘 要:本文介绍了基于M A TLAB 的遗传算法工具箱(GAO T ),阐述了如何利用遗传算法工具箱结合S I M UL I N K 平台来实现控制系统的设计和仿真,并给出利用遗传算法工具箱对P I D 控制器进行参数整定的仿真实例。
关 键 词:M A TLAB ;遗传算法(GA );控制系统仿真中图分类号:T P 27315 文献标识码:A0 引言 遗传算法(GA )是一种成熟的具有极高鲁棒性和广泛适用性的全局优化方法。
由于遗传算法不受问题性质(如连续性、可微性)限制,能够处理传统优化算法难以解决的复杂问题,因此它在控制系统优化方面具有巨大潜力。
近年来,遗传算法在控制领域的P I D 控制、线性和非线性控制、最优控制、鲁棒性、自适应控制、滑模、模糊逻辑、神经网络、参数估计和系统辨识、模型线性化和控制器降阶、机器人手臂控制和轨迹规划等方面均得到了广泛的应用[1～2]。
M ath W o rk s 公司推出的M A TLAB 软件包集强大的数值计算、便捷的图形图像处理、友好的界面于一身,现在已经开始成为控制领域不可缺少的工具。
与此同时,控制领域许多学者将自己擅长的控制手段用M A TLAB 加以实现,出现了诸多的M A TLAB 工具箱,如:非线性控制工具箱、神经网络工具箱、模糊控制工具箱等等。
本文将讨论利用M A TLAB 遗传算法工具箱GAO T 实现控制系统设计和仿真的新方法。
1 遗传算法工具箱结构与功能 遗传算法工具箱GAO T 包括了许多实用的函数,这些函数按照功能可以分为以下几类:111 主界面函数 主程序ga 1m 提供了遗传算法工具箱与外部的接口。
模糊神经网络的设计与训练模糊神经网络（Fuzzy Neural Networks，FNN）作为一种融合了模糊推理和神经网络的智能计算模型，已经在各个领域展示了强大的应用潜力。
它能够处理模糊和不确定性信息，具有较强的自适应性和泛化能力。
本文将深入探讨模糊神经网络的设计与训练方法，并探索其在实际问题中的应用。
一、概述模糊神经网络是在传统神经网络基础上引入了模糊推理机制的一种扩展形式。
它利用模糊逻辑处理输入数据，并通过神经网络学习算法进行自适应调整，从而实现对输入数据进行分类、识别和预测等任务。
与传统方法相比，模糊神经网络具有更强大的表达能力和更好的鲁棒性。
二、设计方法模糊神经网络设计中最基本的问题是确定输入输出变量之间的关系以及它们之间相互作用方式。
常用方法包括基于规则、基于模型以及基于数据等。
基于规则方法通过人工构建规则集合来描述变量之间关系，并利用规则集合进行推理。
这种方法的优点是能够直观地表达专家知识，但缺点是规则集合的构建和调整需要大量的人力和时间。
基于模型方法利用数学模型来描述变量之间的关系，如模糊推理系统和模糊Petri网等。
这种方法可以通过数学推导和优化算法来确定模型参数，但需要对问题进行较为精确的建模。
基于数据方法利用大量数据来学习变量之间的关系。
常用算法包括神经网络、遗传算法、粒子群优化算法等。
这种方法可以通过大规模数据集进行训练，但对于数据质量和训练时间要求较高。
三、训练方法模糊神经网络的训练是指通过调整网络参数使其能够更好地适应输入输出之间的关系。
常用的训练算法包括基于梯度下降法、遗传算法以及粒子群优化等。
基于梯度下降法是一种常用且有效的训练方法，其基本思想是通过计算误差函数对网络参数求导，并根据导数值调整参数值。
这种方法可以在一定程度上保证误差函数逐渐减小，但容易陷入局部最优解。
遗传算法是一种模拟自然进化过程的优化算法，通过选择、交叉和变异等操作来搜索最优解。
这种方法适用于复杂的非线性问题，但计算复杂度较高。
模糊神经网络的结构优化和特征选择在人工智能领域中，模糊神经网络（FNN）是一种基于模糊数学的神经网络，其主要特点是具有灵活的输入输出映射能力。
然而，由于FNN具有非线性化、非单调性和不确定性等特性，其结构设计和特征选择一直是一个具有挑战性的问题。
本文将着重探讨FNN的结构优化和特征选择问题。
一、模糊神经网络的结构优化1.1 神经元数目的优化神经元的数目是影响网络性能的最重要因素之一，一般来说，神经元数目越多，FNN表现出的非线性特性就越强，从而网络的逼近能力也就越强。
但是，在实践中，神经元数目尤其是隐藏层神经元数目过多会造成网络过拟合、训练时间长、泛化能力差等问题。
因此，在设计FNN时，需要根据具体应用来选择神经元数目。
常用的选择方法包括经验法、正则化法、交叉验证法等。
1.2 隐层数目的优化隐层数目是决定FNN结构的一个关键因素。
对于一些简单的应用，单隐层结构就可以满足要求。
但如果应用场景比较复杂，多隐层结构往往可以表现出更好的泛化性能。
不过，多隐层结构也会增加网络的训练难度和计算复杂度。
因此，在具体应用中应该根据训练集和测试集的表现情况来进行选择。
1.3 网络拓扑结构的优化网络的拓扑结构也对网络性能有很大的影响。
常见的网络拓扑结构有前馈型（feedforward）、循环型（recurrent）、自组织型（self-organizing）等。
前馈型结构是最常用的网络结构之一，具有计算速度快、易于训练等优点。
循环型结构主要用于时序数据处理，能够处理记忆和预测的问题。
自组织型结构主要用于聚类和降维等领域。
二、特征选择在机器学习领域中，特征选择是一个十分重要的问题，其目的是从原始数据中挑选出最具有表征性的特征子集，以提高学习算法的性能和泛化能力。
与传统的特征选择方法不同，模糊神经网络的特征选择主要有以下两种方法：2.1 基于模糊集的特征选择模糊集理论可以很好地描述特征之间的相互依赖关系。
因此，基于模糊集的特征选择方法通过构建模糊子集并计算子集间的相互信息，从而选出最优特征子集。
