基于GA的闪蒸罐压力模糊自适应PID控制

针对加氢裂化中对闪蒸罐压力控制的非线性、滞后性等问题,本文提出一种基于遗传算法的模糊PID控制器,用于改善闪蒸罐压力控制效果。该控制器利用遗传算法优化模糊控制器的量化因子和比例因子,从而实现模糊PID控制器参数K_p、K_i、K_d的自适应调节。结果表明,优化后的模糊自适应PID控制器与常规PID控制器相比,提高了绝热闪蒸罐压力控制的自适应能力和鲁棒性,改善了系统的动态特性和静态性能,对非线性和时滞性的控制效果更好。     

三自由度飞行器模型的神经网络PID控制

对于具有非线性、时变和强耦合特性的三自由度飞行器模型系统,采用常规PID控制方法难以获得满意的控制效果,因此,设计一种基于免疫遗传算法优化的RBF网络PID控制器来实现该系统的稳态控制.在控制系统中,RBF网络实现对被控对象的Jacobian矩阵信息辨识,并通过在线学习自适应地调整PID参数;免疫遗传算法用于RBF网络的初值参数优化,以确保获得理想的控制效果.仿真实验表明,这种方法的控制品质优于LQR控制,具有较好的适应能力、鲁棒性和较快的响应速度.     

采用遗传优化自适应模糊PID控制球杆系统

为解决球杆系统动态、静态性能不高的问题,提出了遗传算法优化自适应模糊PID控制器的控制方法.该模型在拉格朗日方程建立球杆系统数学模型的基础上,采用遗传算法优化模糊控制规则、隶属函数和自适应PID参数.在GBB1004系统中建立了遗传算法优化后的自适应模糊PID控制器以及控制模型,并对该控制器进行实验验证.实验结果证明了遗传算法优化后的模糊控制器有效地减小了系统的超调量,缩短了系统的调节时间,能够较好地控制球杆系统.     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法，并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明，改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优，优化后的控制器具有很强的自适应性和鲁棒性。     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

一种用于空战仿真的模糊-自适应控制系统

该文综合应用模糊控制技术，自适应控制技术和遗传算法设计了一种通用的混合型飞行状态控制系统，用于模拟飞行员在空战时对战斗机的基本控制功能。首先，我们根据飞行员的驾驶经验构造了一个模糊控制器，并用遗传算法对其优化。然后，将所得到的模糊控制器与战斗机仿真模型一起作为一个控制对象，用自适应控制方法进行,以提高整个控制系统对不同战斗机模型的适应能力。仿真结果表明，这种控制方法取得了良好的控制效果，用于多种型号的战斗机模型。     

在线扰动优化光伏MPPT模糊控制器

利用可在线优化的模糊控制器进行光伏最大功率点跟踪控制（MPPT）。利用模糊RBF网络根据专家经验建立初始模糊控制器,在模糊控制器输出的控制量上叠加正态分布的随机扰动,根据控制效果自适应地构造和调整模糊规则。根据控制效果记录器的结果决定是否叠加扰动,以削弱功率震荡现象。该方法可以减轻对模糊控制器相关参数进行离线调整的工作量。仿真结果表明该方法在光伏MPPT控制中的有效性。     

基于改进双种群遗传算法的模糊控制器的优化

遗传算法是一种自适应、启发式、群体型、概率性、迭代式全局收敛算法,利用遗传算法的良好的搜索特性来优化模糊控制器,可以取得很好的控制效果.本文对传统的双种群遗传算法进行了归纳和分析,在此基础上提出了一种改进的双种群遗传算法(CGDPGA).将此改进算法用于优化模糊控制器的隶属度函数、量化因子和比例因子来实现模糊控制器的全...     

基于自适应遗传算法的半主动悬架模糊控制研究

模糊规则的正确选择是半主动悬架模糊控制器设计的关键和难点,本文提出一种自适应地选择交叉概率和变异概率的遗传算法,以车身垂直加速度均方根值为优化目标,对汽车半主动悬架模糊控制规则进行优化,以达到提高半主动悬架模糊控制器的控制效果,改善汽车行驶平顺性的目的。为了证明该优化方法的可行性,将该自适应遗传算法优化的模糊控制器对汽车半主动悬架进行控制,并建立Matlab文本与Simulink相结合的仿真模型。仿真结果表明：优化后的半主动悬架车身垂直加速度均方根值减小,汽车行驶的平顺性得到了提高。     

基于遗传优化和模糊推理PID及MATLAB仿真

本文提出一种基于遗传优化和模糊推理相结合的自适应模糊PID控制算法,算法由遗传算法和模糊推理两部分构成,分别用于离线优化和在线优化。仿真结果表明,这种自适应PID控制器的性能,比仅用遗传算法优化的PID控制器更好,并且抗干扰能力更强。     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案．首先给出了控制器结构，其次将免疫进化算法用于控制器参数的优化，设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器．将该控制器用于控制实际倒立摆系统，并采用状态变量合成方法以大大减少模糊规则的数目，实验结果验证了该控制器的有效性．     

基于RBF神经网络的一类不确定非线性系统自适应H控制

基于RBF神经网络提出了一种H_∞ 自适应控制方法.控制器由等效控制器和H_∞ 控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H_∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于遗传算法的模糊支持向量网络控制

将模糊控制与支持向量网络相结合，设计了一种模糊支持向量网络控制器．该控制器融合了模糊控制与支持向量网络的优点，具有不依赖被控对象模型、泛化能力强等特点．利用遗传算法来优化支持向量机参数和控制器比例因子参数，以期实现最优的控制性能. 仿真结果表明了控制系统具有优良的控制性能．     

Tuning of a neuro-fuzzy controller by genetic algorithm

Due to their powerful optimization property, genetic algorithms (GAs) are currently being investigated for the development of adaptive or self-tuning fuzzy logic control systems. This paper presents a neuro-fuzzy logic controller (NFLC) where all of its parameters can be tuned simultaneously by GA. The structure of the controller is based on the radial basis function neural network (RBF) with Gaussian membership functions. The NFLC tuned by GA can somewhat eliminate laborious design steps such as manual tuning of the membership functions and selection of the fuzzy rules. The GA implementation incorporates dynamic crossover and mutation probabilistic rates for faster convergence. A flexible position coding strategy of the NFLC parameters is also implemented to obtain near optimal solutions. The performance of the proposed controller is compared with a conventional fuzzy controller and a PID controller tuned by GA. Simulation results show that the proposed controller offers encouraging advantages and has better performance.     

非同轴两轮机器人自平衡与转向闭环控制

针对车速、车身侧倾角和前轮转角变化较大工况下的非同轴两轮机器人在基于前轮转角的自平衡控制中,因动力学模型准确性对自平衡控制带来的影响,设计了基于RBF神经网络模糊滑模控制的自平衡控制器,利用RBF神经网络的逼近特性,对动力学模型中非线性时变的不确定部分进行自适应逼近,从而提高动力学模型的准确性,并借助模糊规则削弱滑模控制中产生的系统抖振;以及因前轮转角用于自平衡控制中难以实现转向闭环控制,建立了基于纯跟踪法的轨迹跟踪控制器,并设计利用车身平衡时车身侧倾角与前轮转角的耦合关系,将转向闭环控制中的目标前轮转角替换为目标车身侧倾角,从而将自平衡控制器与轨迹跟踪控制器相结合,在保证车身平衡行驶的前提下,实现带有轨迹跟踪的转向闭环控制。实验结果表明,凭借动力学模型的较高准确性,RBF神经网络模糊滑模自平衡控制器具有鲁棒性好、超调量低和响应迅速的优点,并且利用车身平衡后车身侧倾角与前轮转角耦合关系,实现转向闭环控制是可行的,具有良好的轨迹跟踪效果。     

一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用

针对烧结过程这一复杂、多参数耦合的高度非线性系统,融合遗传算法、神经网络和模糊控制的优点,提出一种基于改进遗传算法的模糊神经网络控制方法,并应用于烧结过程终点控制．首先采用遗传算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力和对对象的适应能力,进一步进行参数的在线调整．同时,为解决传统遗传算法早熟和收敛速度慢的问题,从交叉和变异算子、适应度函数选取等方面对遗传算法进行改进．采用精英保留策略,提高了全局搜索性能和收敛速度．仿真结果表明,所提出的控制器优于常规的模糊神经网络控制器(Fuzzy Neural Network Controller, FNNC)．算法的实际应用效果良好,为解决烧结终点控制问题提供了一条新的途径．