智能控制复习思考题
- 格式：doc
- 大小：2.55 MB
- 文档页数：15
一．模糊控制部分
1．智能控制与传统控制相比，有哪些主要的特点？
答：1、学习功能：智能控制器能通过从外界环境所获得的信息进行学习，不断积累知识，使系统的控制性能得到改善
2、适应功能:智能控制器具有从输入到输出的映射关系，可实现不依赖于模型的自适应控制，当系统某一部分出现故障时，也能进行控制。
3、自组织功能：智能控制器对复杂的分布式信息具有自组织和协调的功能，当出现多目标冲突时，它可以在任务要求的范围内自行决策，主动采取行动。
4、优化能力：智能控制能通过不管你优化控制参数和寻找控制器的最佳结构形式，获得整体最有的控制性能。
2．简述模糊集合的基本定义以及与隶属函数之间的相互关系。
答：定义：
其中A 称为模糊集合，由0，1及 构成。
表示元素x 属于模糊集合A 的程度，取值范围为[0, 1]，称 为x 属于模糊集合A 的隶属度。
论域U 中的模糊子集A ，是以隶属函数 为表征的集合A 。
称为模糊子集的隶属函数， 称为u 对A 的隶属度，它表示论域U 中的元素u 属于模糊子集A 的程度。
它在[0，1]闭区间内可连续取值，隶属度简记为A(u)。
相互关系：模糊集合是以隶属函数来描述的，隶属度的概念是模糊集合理论的基石。
⎪⎩
⎪
⎨⎧∉∈=A x A x A x x A 0)1,0(1)(的程度
属于μ)(x A μ)(x A μ)(x A μA μ)(u A μA μ
１
3．给定变量论域，请在其上设计几个模糊子集，并用隶属函数予以描述。
答：1、
设论域 U = {张三，李四，王五}，评语为“学习好”。
设三个人学习成绩总评分是张三得95分，李四得90分，王五得85分，三人都学习好，但又有差异。
2、
4．在上述第3题的基础上，任意给定一个变量值，请求对应的模糊量表达式。
100
/)(x x A =μ
２
5
．常用的模糊并和模糊交算子是怎样进行运算的？有什么特点？
6．解释什么叫做模糊关系？
３
7．试确定条件语句“若A 且B 则C ”所决定的模糊关系R 。
现已知A ’和B ’，求C ’。
其中 A=1/x1 + 0.5/x2, B=0.1/y1 + 0.5/y2 + 1/y3 , C=0.2/z1 + 1/z2, A ’=0.8/a1 + 0.1/a2, B ’=0.5/b1 + 0.2/b2 + 0/b3 同时用
MATLAB 仿真计算，验证结果。
答：例子：
４
根据
Matlab 例程Chp3_5可得：
５
8．请以2输入
1
输出系统为例，解释模糊逻辑的强度转移法是如何进行模糊推理的？
６
9. 模糊推理中的强度转移法与依赖模糊关系R 来进行推理运算相比，有什么优点？
在激励强度的求取和推理合成时，用乘积运算代替了取小运算
10．解释常用的几种清晰化方法的几何含义。
（1）重心法；（2）最大隶属度
法；（3）面积中心线法。
７
(3)加权平均法
工业控制中广泛使用的反模糊方法为加权平均法，输出值由下式决定
其中系数 的选择根据实际情况而定。
不同的系数决定系统具有不同的响应特性。
当系数 取隶属度 时，就转化为重心法。
11．常规的PID 调节器中，P 、I 、D 参数各起什么主要什么作用？ 答：
P:【比例】加快系统的响应速度，提高系统的调节精度，减少误差。
I:【积分】起到消除静态误差作用。
D:【微分】改善系统的动态性能，抑制偏差向任何方向变化，对偏差变化进行提前预报。
i k )(i V v μi k ∑∑===
m
i i
m
i i
i k
k
z z 1
10
８
12．将模糊集合概念运用于传统系统控制中，通常可以采取哪些做法？各有什么主要特点？
13．请学会运用MATLAB 进行（1）常规系统仿真；（2）模糊系统设计和仿真。
例如：已知受控对象为 )110()(5.0+=-S e S G S ，假定系统给定阶跃值r=30，采样时间为0.5秒，系统初始值0)0(=r ，试分别设计： （1）常规PID 控制器；（2）常规模糊控制器；（3）模糊PID 控制器； 分别对上述3中控制器进行MATLAB 仿真，并比较控制效果。
９
二．神经网络部分
1．解释什么叫做神经网络？
人工神经网络（Artificial Neural Network）
是模拟人脑思维方式的数学模型。
神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。
神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。
2．BP网络的结构是怎样的？具有什么主要特点？
3．写出单一神经元从输入到输出的表达式。
4．为什么说，神经网络可以成为函数的万能逼近器？
7.2.4 BP网络的优缺点
BP网络的优点为：
（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射
关系；
（2）BP网络的学习算法属于全局逼近算法。
（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。
BP网络的主要缺点为：
（1）待寻优的参数多，收敛速度慢；
（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；
（3）难以确定隐层及隐层节点的数目。
目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑
5．编程练习。
采用BP网络进行模式识别，训练样本为3对2输入1输出的数据样本。
请采用BP网络，并对其进行反复训练，确定出所有BP网络数据。
然后进行效果测试。
测试数据为（1，0.1），（0.5，0.5），（0.1，1）。
三．遗传算法
1．简述遗传算法是如何实现优化的？
2．简述遗传算法的主要特点。
3．遗传算法中的3个算子是如何进行使用的？
4．给定交叉概率Pc＝0.65，变异概率Pm＝0.09, 种群中个体数M=50，个体的码长CODEL=16位；一代群体记录在矩阵E[50][16]中。
请用M语言写出: （1）实现交叉算法的子程序；
（2）实现变异算法的子程序。
并在程序中加上相应的注释语句。
答：（1）%************ Step 3 : 交叉操作************
%被交叉的个体会替换复制的个体
pc=0.65; % 交叉概率
n=ceil(20*rand); % 随机数0~20，要交叉的比特数随机发生for i=1:2:(Size-1) % 从1 到79个个体，对每一对，判断一次是否要交叉
temp=rand; % 产生一个随机数来决定是否发生交叉if pc>temp % 交叉条件：给定交叉概率> 随机数
for j=n:1:20 % 交叉的位置取决于前面得到的随机数n
TempE(i,j)=E(i+1,j); % 第i与第i+1个体交叉，交叉位数从n--20，只变后面部分
TempE(i+1,j)=E(i,j); % 交叉
end
end
end
TempE(Size,:)=BestS; % 最优的个体不参与交叉
E=TempE; % 替换，保留交叉结果，80个个体
(2)
%************ Step 4: 变异操作************************
%pm=0.001;
%pm=0.001-[1:1:Size]*(0.001)/Size; %Bigger fi, smaller Pm
%pm=0.0; %No mutation
pm=0.09; %Big mutation % 变异概率
for i=1:1:Size % 遍历每一个个体
for j=1:1:2*CodeL % 遍历个体每1比特
temp=rand; % 产生一个随机数来决定是否发生变异
if pm > temp %变异条件：给定变异概率> 随机数if TempE(i,j)==0
TempE(i,j)=1; % 0变1
else
TempE(i,j)=0; % 1变0
end
end
end
end
TempE(Size,:)=BestS; % 最优个体不变异
E=TempE; % 替换，保留变异结果。
