【文章內(nèi)容簡(jiǎn)介】 制結(jié)構(gòu)中，系統(tǒng)的正向模型與實(shí)際系統(tǒng)并聯(lián)，兩者輸出之差被用做回饋號(hào)，此回饋信號(hào)又由前饋信道的濾波器及控制器進(jìn)行處理。由內(nèi)?？刂菩再|(zhì)知，該控器直接與系統(tǒng)的逆有關(guān)。引入濾波器是為了獲得期望的魯棒性和跟蹤響應(yīng)。(5)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制預(yù)測(cè)控制的特征是預(yù)測(cè)模型、滾動(dòng)優(yōu)化和回饋校正。其中神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制器建了非線性被控對(duì)象的預(yù)測(cè)模型，可在線學(xué)習(xí)修正。利用此預(yù)測(cè)模型就可以由目前的控太原理土大學(xué)碩士研究生學(xué)位論文輸入，預(yù)測(cè)出被控系統(tǒng)在將來(lái)一段時(shí)間范圍的輸出值。(6)神經(jīng)網(wǎng)絡(luò)解耦控制神經(jīng)網(wǎng)絡(luò)解禍通?；谀嫦到y(tǒng)控制的思想，一般采用三層前向靜態(tài)網(wǎng)絡(luò)。除直接逆控制解禍方法，還有基于自我調(diào)整解禍思想的神經(jīng)網(wǎng)絡(luò)解棍方法和PID神經(jīng)網(wǎng)絡(luò)解禍方法。神經(jīng)網(wǎng)絡(luò)解禍控制的難點(diǎn)是難以確定通用的解藕條件判據(jù)，目前的解禍策略都帶有嘗試性，主要依靠模擬試驗(yàn)來(lái)進(jìn)行研究。(7)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)控制這是一種將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的控制方式。由于專家系統(tǒng)善于表達(dá)知識(shí)和邏輯推理，神經(jīng)網(wǎng)絡(luò)善于非線性映像和直覺(jué)推理，將二者相結(jié)合發(fā)揮各自的優(yōu)勢(shì)，就會(huì)獲得更好的控制效果。(8)神經(jīng)網(wǎng)絡(luò)模糊控制神經(jīng)網(wǎng)絡(luò)和模糊邏輯相結(jié)合的方式有:。2用神經(jīng)網(wǎng)絡(luò)記憶模糊規(guī)則的控制。(9)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在三方面:。2，網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化。基于進(jìn)化計(jì)算的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和實(shí)現(xiàn)己在眾多領(lǐng)域得到應(yīng)用，但總體上看，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。在智能控制領(lǐng)域中，BP網(wǎng)絡(luò)是一類有力的學(xué)習(xí)系統(tǒng)，其結(jié)構(gòu)簡(jiǎn)單，易于程序設(shè)計(jì)，因此在控制領(lǐng)域中得到廣泛的應(yīng)用。但實(shí)際應(yīng)用中還存在一些問(wèn)題。1，需要較長(zhǎng)的訓(xùn)練時(shí)間對(duì)于一些復(fù)雜的問(wèn)題，BP算法可能要進(jìn)行幾小時(shí)甚至更長(zhǎng)的時(shí)間訓(xùn)練。這主要是由于學(xué)習(xí)速率所造成的，針對(duì)這一問(wèn)題可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率來(lái)加以改造。未成熟飽和在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，當(dāng)其權(quán)值調(diào)得過(guò)大，可能使得所有的或大部分神經(jīng)元的權(quán)總和值n偏大，這使得啟動(dòng)函數(shù)的輸入工作在S型轉(zhuǎn)移函數(shù)的飽和區(qū)，從而導(dǎo)致其導(dǎo)數(shù)f(n)非常小，從而使得對(duì)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過(guò)程幾乎停頓下來(lái)。通常為了避免這種現(xiàn)象的發(fā)生，一是選取較小的初始權(quán)值，二是采用較小的學(xué)習(xí)速率，但這又增加了訓(xùn)練時(shí)間。局部極小值BP算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個(gè)解，但它并不能保證所示為誤差超平面的全局最小解，很可能是一個(gè)局部極小解。這是因?yàn)锽P算法采用的是下降法，訓(xùn)練是從某一起始點(diǎn)沿誤差函數(shù)的斜面逐漸達(dá)到誤差的最小值。對(duì)于復(fù)雜的網(wǎng)絡(luò)，其誤差函數(shù)為多維空間的曲面，就像一個(gè)碗，其碗底是最小值點(diǎn)。但是這個(gè)碗的表面是凹凸不平的，因而在對(duì)其訓(xùn)練過(guò)程中，可能存在某一小谷區(qū)，而這一小谷區(qū)產(chǎn)生的是一個(gè)局部極小值。由此點(diǎn)向各方向變化均使誤差增加，以致于使訓(xùn)練無(wú)法跨出這一局部極小值。通常的作用是采用多層網(wǎng)絡(luò)和較多的神經(jīng)元，有可能使結(jié)果得到改善。然而，增加神經(jīng)元或者增加同層神經(jīng)元的個(gè)數(shù)，同時(shí)增加了網(wǎng)絡(luò)的復(fù)雜性以及訓(xùn)練的時(shí)間。在一定的情況下可能是不明智的。因此可通過(guò)選用幾組不同初始條件對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后再?gòu)闹刑暨x出最好的結(jié)果。早在1983年，Barto等【15】就設(shè)計(jì)了兩個(gè)單層神經(jīng)網(wǎng)絡(luò)，采用AHC(Adantiveheuristiccritic)學(xué)習(xí)算法實(shí)現(xiàn)狀態(tài)離散化的倒立擺控制。而在1989年，Anderson【16】進(jìn)一步用兩個(gè)雙層神經(jīng)網(wǎng)絡(luò)和AllC方法實(shí)現(xiàn)了狀態(tài)未離散化的倒立擺系統(tǒng)平衡控制。但這兩種算法都只能針對(duì)一類模型。蔣國(guó)飛等【17】通過(guò)訓(xùn)練BP網(wǎng)絡(luò)來(lái)逼近口值函數(shù)，并利用BP網(wǎng)絡(luò)的泛化能力，實(shí)現(xiàn)了基于口學(xué)習(xí)算法的狀態(tài)未離散化的確定和隨機(jī)倒立擺的無(wú)模型學(xué)習(xí)控制，不僅處理的模型對(duì)象更廣泛，而且相對(duì)前兩種算法而言，該算法具有更好的學(xué)習(xí)效果。 單波等[18]利用神經(jīng)網(wǎng)絡(luò)建立倒立擺系統(tǒng)模型，以此來(lái)描述被控對(duì)象的輸人輸出關(guān)系，并由此計(jì)算出系統(tǒng)在未來(lái)若干時(shí)刻的誤差。然后由誤差確定系統(tǒng)的目標(biāo)函數(shù)，通過(guò)滾動(dòng)優(yōu)化、反饋校正來(lái)實(shí)現(xiàn)對(duì)系統(tǒng)的實(shí)時(shí)控制。運(yùn)用該算法不僅可以避免對(duì)被控對(duì)象做復(fù)雜的數(shù)學(xué)分析，而且還具有較快的收斂速度以及較強(qiáng)的魯棒性。為了克服神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)不能改變的缺點(diǎn)，si等【19]將神經(jīng)網(wǎng)絡(luò)理論與增強(qiáng)式學(xué)習(xí)基本原理相結(jié)合，提出了一種在線學(xué)習(xí)控制系統(tǒng)。該實(shí)時(shí)學(xué)習(xí)系統(tǒng)能隨著時(shí)間的推移而在兩方面逐步提高它的性能:通過(guò)自身偏差不斷學(xué)習(xí)。系統(tǒng)狀態(tài)通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程被儲(chǔ)存。應(yīng)用于倒立擺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制算法一般都需要倒立擺系統(tǒng)的輸人輸出數(shù)據(jù)以及各種提示信息。而Houge等【】利用參數(shù)均取整數(shù)值的SONNET(Selforganizing neural net work eligibility trace)網(wǎng)絡(luò)模型[]，無(wú)需預(yù)先分開(kāi)輸人空間，不必依賴系統(tǒng)輸出數(shù)據(jù)，而僅僅只需知道倒擺系統(tǒng)的失敗信號(hào)和系統(tǒng)的當(dāng)前狀態(tài)，即可對(duì)倒立擺進(jìn)行有效的控制將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于倒立擺系統(tǒng)的控制還有許多成功的例子，但由于神經(jīng)網(wǎng)絡(luò)理論本身的缺陷，有一些問(wèn)題需要解決。如在如何有效地獲取神經(jīng)網(wǎng)絡(luò)控制器的初始結(jié)構(gòu)和參數(shù)值等方面就有許多間題值得探討。有許多學(xué)者已經(jīng)在這一方面做了有益嘗試并取得了一些成果【】例如，Pasemann等〔提出了一種ENS(Evolution of neurl system by stochastic synthesis)算法來(lái)獲取神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)和權(quán)值。運(yùn)用該控制算法，系統(tǒng)各狀態(tài)變量不必量化，可以連續(xù)取值，且系統(tǒng)具有很強(qiáng)的魯棒性。　　　　　　　　　　4遺傳算法遺傳算法(Genetic Algorithms，簡(jiǎn)稱GAs)是一種基于生物界中的自然選擇原理和自然遺傳機(jī)制的隨機(jī)搜索算法[39]。它模擬了生物界中的生命進(jìn)化機(jī)制，并用在人工系統(tǒng)中實(shí)現(xiàn)特定目標(biāo)的優(yōu)化。這是一種在思想和方法上別開(kāi)生面的全新優(yōu)化搜索算法。傳統(tǒng)的優(yōu)化搜索算法往往要求所求解的函數(shù)具有連續(xù)、可微的性質(zhì)，有要求搜索空間及噪聲相對(duì)較小的限制。而遺傳算法不受問(wèn)題性質(zhì)的限制，可以在巨大的空間上實(shí)行概率性搜索，能在搜索的過(guò)程中自動(dòng)獲取和積累有關(guān)搜索空間的指示，并自我調(diào)整地控制搜索過(guò)程，以求得最優(yōu)解或較優(yōu)解。遺傳算法的這種特點(diǎn)使得它能夠處理許多復(fù)雜問(wèn)題，具有廣泛的適用性和魯棒性。在自動(dòng)控制、組合優(yōu)化、模式識(shí)別、機(jī)器學(xué)習(xí)、人工生命、管理決策等許多領(lǐng)域都得到了廣泛的應(yīng)用[40][41]。近年來(lái)，自動(dòng)控制己成為遺傳算法最活躍的研究領(lǐng)域之一，包括PID控制、最優(yōu)控制、自我調(diào)整、魯棒控制、模糊控制、神經(jīng)網(wǎng)絡(luò)控制及系統(tǒng)辨識(shí)等許多分支[42][43]。越來(lái)越多的研究人員開(kāi)始研究用遺傳算法及其改進(jìn)算法解決控制領(lǐng)域中的難題。在科技高速發(fā)展的今天，對(duì)大規(guī)模的、復(fù)雜的、不確定性的系統(tǒng)進(jìn)行有效控制的要求在不斷提高，如何準(zhǔn)確方便地優(yōu)化各種控制方法中控制器的結(jié)構(gòu)和參數(shù)己成為迫切需要解決的問(wèn)題。盡管遺傳算法經(jīng)過(guò)幾十年的理論及應(yīng)用研究已獲得了大量的成果，但其理論基礎(chǔ)仍較薄弱，一些參數(shù)的選取還要依靠實(shí)驗(yàn)經(jīng)驗(yàn)的積累。因此，對(duì)遺傳算法本身及其解決控制問(wèn)題的能力的深入研究具有重要的現(xiàn)實(shí)意義。從本世紀(jì)40年代，生物模擬就成為了計(jì)算科學(xué)的一個(gè)組成部分，如早期的自動(dòng)機(jī)理論就是假設(shè)機(jī)器是由類似于神經(jīng)元的基本元素構(gòu)成的。近幾十年來(lái)，人們關(guān)注著如:機(jī)器能否思維、基于原則的專家系統(tǒng)是否勝任人類的工作、以及神經(jīng)網(wǎng)絡(luò)可否使機(jī)器具有看和聽(tīng)的能力等等這些有關(guān)生物模擬的問(wèn)題。自從人們接受了達(dá)爾文的生物進(jìn)化理論之后，科學(xué)家們就對(duì)生物的進(jìn)化機(jī)制產(chǎn)生極大的興趣。自然進(jìn)化特征在60年代就引起了美國(guó)Michigan大學(xué)的JohnHolland的極大興趣，那時(shí)Holland從事如何建立能學(xué)習(xí)的機(jī)器研究。他注意到學(xué)習(xí)不僅可通過(guò)單個(gè)生物體的適應(yīng)，而且可通過(guò)一個(gè)種群的許多代進(jìn)化適應(yīng)實(shí)現(xiàn)。他受達(dá)爾文進(jìn)化論—“適者生存”的啟發(fā)，逐漸認(rèn)識(shí)在機(jī)器學(xué)習(xí)的研究中，為獲得一個(gè)好的學(xué)習(xí)方法，僅靠單個(gè)策略的建立和改進(jìn)是不夠的，還要依賴于包含許多候選策略的群體繁殖。這種研究思想起源于遺傳進(jìn)化，Holland就將這個(gè)研究領(lǐng)域取名為遺傳算法。從1985年到1993年，召開(kāi)了五屆國(guó)際遺傳算法學(xué)術(shù)會(huì)議，遺傳算法己經(jīng)有了很大的發(fā)展，并開(kāi)始滲透到人工智能、神經(jīng)網(wǎng)絡(luò)、機(jī)器人和運(yùn)籌學(xué)等領(lǐng)域。遺傳算法是多學(xué)科相互結(jié)合與滲透的產(chǎn)物，它已經(jīng)發(fā)展成一種自組織、自適應(yīng)的綜合技術(shù)，廣泛用在計(jì)算機(jī)科學(xué)、工程設(shè)計(jì)、管理科學(xué)和社會(huì)科學(xué)等領(lǐng)域。、特點(diǎn)及應(yīng)用遺傳算法GA是建立在自然選擇和群體遺傳機(jī)制基礎(chǔ)上的隨機(jī)迭代、進(jìn)化，具有廣泛適應(yīng)性的概率搜索尋優(yōu)算法。對(duì)于某個(gè)給定的優(yōu)化問(wèn)題，目標(biāo)函數(shù)為:H=f(x，y，z，?〕(x，y，z…）∈ Ω H∈R要求(x0，y0，z0…)使H為極大值和極小值，以適應(yīng)優(yōu)化的需要。此處，Ω是(x，y，z…)的定義域，H為實(shí)數(shù)，f為解空間(x，y，z?)∈ Ω到實(shí)數(shù)域H ∈ R的一種映射。GA要根據(jù)目標(biāo)函數(shù)H設(shè)定一個(gè)適應(yīng)性函數(shù)F，用以判別某個(gè)樣本的優(yōu)劣程度。遺傳算法的基本步驟如下:(1)編碼采用二進(jìn)制編碼方案對(duì)優(yōu)化變量進(jìn)行編碼。采用二進(jìn)制編碼的策略是將各優(yōu)化分量分別進(jìn)行編碼然后合并成l個(gè)二進(jìn)制位串，就代表了優(yōu)化問(wèn)題的1個(gè)可能解。如自變量X、Y、Z的1組取值用12個(gè)比特的二進(jìn)制代碼串表示為:1000 1001 1100 X Y Z(2)初始群體的生成通過(guò)隨機(jī)方法產(chǎn)生出給定數(shù)量初始群體的個(gè)體，這些個(gè)體就是一批二進(jìn)制代碼串。首先，對(duì)每個(gè)個(gè)體計(jì)算其相應(yīng)的適應(yīng)度Fi,按Fi的大小評(píng)價(jià)該個(gè)體染色體的素質(zhì)。Fi愈大表示第i個(gè)個(gè)體的素質(zhì)愈好，優(yōu)化的目標(biāo)是找到Fi最大時(shí)所對(duì)應(yīng)的個(gè)體。初始種群的素質(zhì)一般還比較差，GA操作數(shù)的任務(wù)就是從這些初始群體出發(fā)，模擬進(jìn)化過(guò)程擇優(yōu)去劣，逐次迭代，選出優(yōu)秀的種群與個(gè)體，以達(dá)到優(yōu)化的目的。(3)選擇根據(jù)各個(gè)個(gè)體的適應(yīng)度，按照一定的規(guī)則和方法，從第t代群體P(t)中選擇出一些優(yōu)良的個(gè)體遺傳到下一代群體P(t+1)中。一般選擇的規(guī)則是適應(yīng)度Fi越大的個(gè)體，賦予更大的選擇概率Pi，通常Pi∈Fi，即適應(yīng)度值高的個(gè)體有更多的繁殖后代的機(jī)會(huì)，以使優(yōu)良特性得以遺傳和保留。(4)交叉將群體P(t) 內(nèi)的各個(gè)個(gè)體隨機(jī)搭配成對(duì)，對(duì)每一對(duì)個(gè)體，以交叉概率Pc交換他們之間的部分染色體。交叉的方法是隨機(jī)選取一個(gè)(或兩個(gè))截?cái)帱c(diǎn)，將雙親的二進(jìn)制代碼串在截?cái)帱c(diǎn)處切開(kāi)，然后交換其尾部(或中間部分)以產(chǎn)生新的一代如: 雙親 后代 A1001 0110 A’1001 1001 B1100 1001 B’1100 0110 (5)變異對(duì)群體P（t）內(nèi)的每個(gè)個(gè)體，以變異概率Pm改變某一個(gè)或某一些基因串上的基因值為其他的等位基因。對(duì)于二進(jìn)制基因串就是將1改為0或?qū)?改為1，如: 變異 A 1100 1101——110101101重復(fù)上述過(guò)程，各代種群的優(yōu)良基因逐漸積累，種群的平均適應(yīng)度和個(gè)體適應(yīng)度不斷上升，直到迭代收斂，即找到最優(yōu)解為止。雖然在目前的技術(shù)條件下，關(guān)于整個(gè)進(jìn)化的機(jī)制還沒(méi)有完全弄清楚，但通過(guò)許多實(shí)驗(yàn)和在微觀世界里面進(jìn)行的科學(xué)研究，人們逐漸認(rèn)識(shí)了它們的許多特征。生物體的生成是染色體譯碼的結(jié)果，所以生物體結(jié)構(gòu)編碼的染色體變化是進(jìn)化發(fā)生的根本原因。染色體的編碼和譯碼過(guò)程的細(xì)節(jié)人們并不是完全了解，但下面幾個(gè)關(guān)于進(jìn)化理論的一般特性己廣為人們所接受，(這些特性往往又作為遺傳算法的基本法則):①進(jìn)行過(guò)程發(fā)生是在染色體上，而不是發(fā)生在它們所編碼的生物體上。②自然選擇把染色體以及由它們所譯成的結(jié)構(gòu)的表現(xiàn)聯(lián)系在一起，那些適應(yīng)性好的個(gè)體的染色體經(jīng)常比差的個(gè)體的染色體有更多的繁殖機(jī)會(huì)。③變異可以使生物體子代的染色體不同于它們父代的染色體。通過(guò)結(jié)合兩個(gè)父代染色體中的物質(zhì)，重組過(guò)程可以產(chǎn)生有很大差異的染色體。④生物進(jìn)化沒(méi)有一記憶。有關(guān)產(chǎn)生個(gè)體的信息包含在個(gè)體所攜帶染色體的集合以及染色體編碼的結(jié)構(gòu)之中，這些個(gè)體會(huì)很好地適應(yīng)它們的環(huán)境。與自然界的生物進(jìn)化過(guò)程相類似，遺傳算法的運(yùn)算過(guò)程也是一個(gè)反復(fù)迭代的過(guò)程，第t代群體記做P(t)，經(jīng)過(guò)一代遺傳和進(jìn)化后，得到第t+l代群體，它們也是由M個(gè)個(gè)體組成的群體，記做P(t+l)。這個(gè)群體不斷地經(jīng)過(guò)遺傳和進(jìn)化操作，并且每次都按照優(yōu)勝劣汰的規(guī)則，將適應(yīng)度值較高的個(gè)體更多地遺傳到下一代。這樣最終在群體中將