基于模糊微分对策多机空战组内协同的U解

鉴于协商微分对策多具有强非线性和不确定性特点,为避免非线性问题等带来求解上的困难和能处理不确定信息,基于T-S模糊微分对策的思想,对非线性的基于Utilitarian解(简称U解)的协商微分对策的状态方程和性能分别进行了模糊化和二次型化,构造出面向U解的协商微分对策的模糊线性化模型,研究了协商U解模型中加权系数的确定,并进一步探讨了在模糊线性协商微分对策系统下相应于U解的控制器的设计方法.研究工作和仿真结果可以说明,相对于Nash协商解,协商理论的U解更能反映整体效果,更易于推广.     

模糊协商微分对策及其折中解

对于协商问题，为避免非线性问题带来求解上的困难并且使其能够处理不确定信息，基于T-S模糊微分对策的思想，构造出协商微分对策的模糊线性化模型．进一步探讨了在模糊线性协商微分对策系统下相应于折中解的控制器的设计方法．对一个2∶2对策问题做了仿真，其效果说明了解决问题方法的可行性．     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。     

基于粗糙逻辑(RL)的微分对策理论

针对微分对策在实际应用上的困难，引入粗糙控制这一新颖的人工智能方法。粗糙集理论能刻画和处理不完整、不精确信息。在简略介绍了粗糙集、粗糙逻辑和粗糙控制大致思想的基础上，尝试将粗糙逻辑和粗糙控制引入微分对策，以追逃问题为例，初步探索了粗糙微分对策模型的建立方法。该对策模型体现了控制算法简单、迅速和易于实现的优点，也降低了微分对策要求精确数学模型和完备信息的困难。同时也将粗糙控制和模糊控制做了简单的比较。     

模糊非线性随机微分对策的鲁棒设计

研究模糊不确定微分对策的鲁棒性。采用Takagi-Sugeno模糊模型描述多人非合作的非线性随机微分对策系统,并将全局模糊模型表示成不确定的形式,采用鲁棒次优H∞控制策略,定义了微分对策系统的鲁棒控制,并设计出稳定的模糊控制器。