【文章內容簡介】 制結構中，系統(tǒng)的正向模型與實際系統(tǒng)并聯(lián)，兩者輸出之差被用做回饋號，此回饋信號又由前饋信道的濾波器及控制器進行處理。由內?？刂菩再|知，該控器直接與系統(tǒng)的逆有關。引入濾波器是為了獲得期望的魯棒性和跟蹤響應。(5)神經網(wǎng)絡預測控制預測控制的特征是預測模型、滾動優(yōu)化和回饋校正。其中神經網(wǎng)絡預測控制器建了非線性被控對象的預測模型，可在線學習修正。利用此預測模型就可以由目前的控太原理土大學碩士研究生學位論文輸入，預測出被控系統(tǒng)在將來一段時間范圍的輸出值。(6)神經網(wǎng)絡解耦控制神經網(wǎng)絡解禍通?；谀嫦到y(tǒng)控制的思想，一般采用三層前向靜態(tài)網(wǎng)絡。除直接逆控制解禍方法，還有基于自我調整解禍思想的神經網(wǎng)絡解棍方法和PID神經網(wǎng)絡解禍方法。神經網(wǎng)絡解禍控制的難點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，主要依靠模擬試驗來進行研究。(7)神經網(wǎng)絡專家系統(tǒng)控制這是一種將神經網(wǎng)絡與專家系統(tǒng)相結合的控制方式。由于專家系統(tǒng)善于表達知識和邏輯推理，神經網(wǎng)絡善于非線性映像和直覺推理，將二者相結合發(fā)揮各自的優(yōu)勢，就會獲得更好的控制效果。(8)神經網(wǎng)絡模糊控制神經網(wǎng)絡和模糊邏輯相結合的方式有:。2用神經網(wǎng)絡記憶模糊規(guī)則的控制。(9)神經網(wǎng)絡與遺傳算法的結合遺傳算法與神經網(wǎng)絡的結合主要體現(xiàn)在三方面:。2，網(wǎng)絡結構的進化?；谶M化計算的神經網(wǎng)絡設計和實現(xiàn)己在眾多領域得到應用，但總體上看，理論方法有待于完善規(guī)范，應用研究有待于加強提高。在智能控制領域中，BP網(wǎng)絡是一類有力的學習系統(tǒng)，其結構簡單，易于程序設計，因此在控制領域中得到廣泛的應用。但實際應用中還存在一些問題。1，需要較長的訓練時間對于一些復雜的問題，BP算法可能要進行幾小時甚至更長的時間訓練。這主要是由于學習速率所造成的，針對這一問題可采用變化的學習速率或自適應的學習速率來加以改造。未成熟飽和在網(wǎng)絡的訓練過程中，當其權值調得過大，可能使得所有的或大部分神經元的權總和值n偏大，這使得啟動函數(shù)的輸入工作在S型轉移函數(shù)的飽和區(qū)，從而導致其導數(shù)f(n)非常小，從而使得對網(wǎng)絡權值的調節(jié)過程幾乎停頓下來。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值，二是采用較小的學習速率，但這又增加了訓練時間。局部極小值BP算法可以使網(wǎng)絡權值收斂到一個解，但它并不能保證所示為誤差超平面的全局最小解，很可能是一個局部極小解。這是因為BP算法采用的是下降法，訓練是從某一起始點沿誤差函數(shù)的斜面逐漸達到誤差的最小值。對于復雜的網(wǎng)絡，其誤差函數(shù)為多維空間的曲面，就像一個碗，其碗底是最小值點。但是這個碗的表面是凹凸不平的，因而在對其訓練過程中，可能存在某一小谷區(qū)，而這一小谷區(qū)產生的是一個局部極小值。由此點向各方向變化均使誤差增加，以致于使訓練無法跨出這一局部極小值。通常的作用是采用多層網(wǎng)絡和較多的神經元，有可能使結果得到改善。然而，增加神經元或者增加同層神經元的個數(shù)，同時增加了網(wǎng)絡的復雜性以及訓練的時間。在一定的情況下可能是不明智的。因此可通過選用幾組不同初始條件對網(wǎng)絡進行訓練，然后再從中挑選出最好的結果。早在1983年，Barto等【15】就設計了兩個單層神經網(wǎng)絡，采用AHC(Adantiveheuristiccritic)學習算法實現(xiàn)狀態(tài)離散化的倒立擺控制。而在1989年，Anderson【16】進一步用兩個雙層神經網(wǎng)絡和AllC方法實現(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一類模型。蔣國飛等【17】通過訓練BP網(wǎng)絡來逼近口值函數(shù)，并利用BP網(wǎng)絡的泛化能力，實現(xiàn)了基于口學習算法的狀態(tài)未離散化的確定和隨機倒立擺的無模型學習控制，不僅處理的模型對象更廣泛，而且相對前兩種算法而言，該算法具有更好的學習效果。 單波等[18]利用神經網(wǎng)絡建立倒立擺系統(tǒng)模型，以此來描述被控對象的輸人輸出關系，并由此計算出系統(tǒng)在未來若干時刻的誤差。然后由誤差確定系統(tǒng)的目標函數(shù)，通過滾動優(yōu)化、反饋校正來實現(xiàn)對系統(tǒng)的實時控制。運用該算法不僅可以避免對被控對象做復雜的數(shù)學分析，而且還具有較快的收斂速度以及較強的魯棒性。為了克服神經網(wǎng)絡控制器結構不能改變的缺點，si等【19]將神經網(wǎng)絡理論與增強式學習基本原理相結合，提出了一種在線學習控制系統(tǒng)。該實時學習系統(tǒng)能隨著時間的推移而在兩方面逐步提高它的性能:通過自身偏差不斷學習。系統(tǒng)狀態(tài)通過神經網(wǎng)絡學習過程被儲存。應用于倒立擺系統(tǒng)的神經網(wǎng)絡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)絡模型[]，無需預先分開輸人空間，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)的失敗信號和系統(tǒng)的當前狀態(tài)，即可對倒立擺進行有效的控制將神經網(wǎng)絡理論應用于倒立擺系統(tǒng)的控制還有許多成功的例子，但由于神經網(wǎng)絡理論本身的缺陷，有一些問題需要解決。如在如何有效地獲取神經網(wǎng)絡控制器的初始結構和參數(shù)值等方面就有許多間題值得探討。有許多學者已經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)算法來獲取神經網(wǎng)絡的內部結構和權值。運用該控制算法，系統(tǒng)各狀態(tài)變量不必量化，可以連續(xù)取值，且系統(tǒng)具有很強的魯棒性?！　　　　　　　　　?遺傳算法遺傳算法(Genetic Algorithms，簡稱GAs)是一種基于生物界中的自然選擇原理和自然遺傳機制的隨機搜索算法[39]。它模擬了生物界中的生命進化機制，并用在人工系統(tǒng)中實現(xiàn)特定目標的優(yōu)化。這是一種在思想和方法上別開生面的全新優(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，有要求搜索空間及噪聲相對較小的限制。而遺傳算法不受問題性質的限制，可以在巨大的空間上實行概率性搜索，能在搜索的過程中自動獲取和積累有關搜索空間的指示，并自我調整地控制搜索過程，以求得最優(yōu)解或較優(yōu)解。遺傳算法的這種特點使得它能夠處理許多復雜問題，具有廣泛的適用性和魯棒性。在自動控制、組合優(yōu)化、模式識別、機器學習、人工生命、管理決策等許多領域都得到了廣泛的應用[40][41]。近年來，自動控制己成為遺傳算法最活躍的研究領域之一，包括PID控制、最優(yōu)控制、自我調整、魯棒控制、模糊控制、神經網(wǎng)絡控制及系統(tǒng)辨識等許多分支[42][43]。越來越多的研究人員開始研究用遺傳算法及其改進算法解決控制領域中的難題。在科技高速發(fā)展的今天，對大規(guī)模的、復雜的、不確定性的系統(tǒng)進行有效控制的要求在不斷提高，如何準確方便地優(yōu)化各種控制方法中控制器的結構和參數(shù)己成為迫切需要解決的問題。盡管遺傳算法經過幾十年的理論及應用研究已獲得了大量的成果，但其理論基礎仍較薄弱，一些參數(shù)的選取還要依靠實驗經驗的積累。因此，對遺傳算法本身及其解決控制問題的能力的深入研究具有重要的現(xiàn)實意義。從本世紀40年代，生物模擬就成為了計算科學的一個組成部分，如早期的自動機理論就是假設機器是由類似于神經元的基本元素構成的。近幾十年來，人們關注著如:機器能否思維、基于原則的專家系統(tǒng)是否勝任人類的工作、以及神經網(wǎng)絡可否使機器具有看和聽的能力等等這些有關生物模擬的問題。自從人們接受了達爾文的生物進化理論之后，科學家們就對生物的進化機制產生極大的興趣。自然進化特征在60年代就引起了美國Michigan大學的JohnHolland的極大興趣，那時Holland從事如何建立能學習的機器研究。他注意到學習不僅可通過單個生物體的適應，而且可通過一個種群的許多代進化適應實現(xiàn)。他受達爾文進化論—“適者生存”的啟發(fā)，逐漸認識在機器學習的研究中，為獲得一個好的學習方法，僅靠單個策略的建立和改進是不夠的，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化，Holland就將這個研究領域取名為遺傳算法。從1985年到1993年，召開了五屆國際遺傳算法學術會議，遺傳算法己經有了很大的發(fā)展，并開始滲透到人工智能、神經網(wǎng)絡、機器人和運籌學等領域。遺傳算法是多學科相互結合與滲透的產物，它已經發(fā)展成一種自組織、自適應的綜合技術，廣泛用在計算機科學、工程設計、管理科學和社會科學等領域。、特點及應用遺傳算法GA是建立在自然選擇和群體遺傳機制基礎上的隨機迭代、進化，具有廣泛適應性的概率搜索尋優(yōu)算法。對于某個給定的優(yōu)化問題，目標函數(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，以適應優(yōu)化的需要。此處，Ω是(x，y，z…)的定義域，H為實數(shù)，f為解空間(x，y，z?)∈ Ω到實數(shù)域H ∈ R的一種映射。GA要根據(jù)目標函數(shù)H設定一個適應性函數(shù)F，用以判別某個樣本的優(yōu)劣程度。遺傳算法的基本步驟如下:(1)編碼采用二進制編碼方案對優(yōu)化變量進行編碼。采用二進制編碼的策略是將各優(yōu)化分量分別進行編碼然后合并成l個二進制位串，就代表了優(yōu)化問題的1個可能解。如自變量X、Y、Z的1組取值用12個比特的二進制代碼串表示為:1000 1001 1100 X Y Z(2)初始群體的生成通過隨機方法產生出給定數(shù)量初始群體的個體，這些個體就是一批二進制代碼串。首先，對每個個體計算其相應的適應度Fi,按Fi的大小評價該個體染色體的素質。Fi愈大表示第i個個體的素質愈好，優(yōu)化的目標是找到Fi最大時所對應的個體。初始種群的素質一般還比較差，GA操作數(shù)的任務就是從這些初始群體出發(fā)，模擬進化過程擇優(yōu)去劣，逐次迭代，選出優(yōu)秀的種群與個體，以達到優(yōu)化的目的。(3)選擇根據(jù)各個個體的適應度，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)良的個體遺傳到下一代群體P(t+1)中。一般選擇的規(guī)則是適應度Fi越大的個體，賦予更大的選擇概率Pi，通常Pi∈Fi，即適應度值高的個體有更多的繁殖后代的機會，以使優(yōu)良特性得以遺傳和保留。(4)交叉將群體P(t) 內的各個個體隨機搭配成對，對每一對個體，以交叉概率Pc交換他們之間的部分染色體。交叉的方法是隨機選取一個(或兩個)截斷點，將雙親的二進制代碼串在截斷點處切開，然后交換其尾部(或中間部分)以產生新的一代如: 雙親 后代 A1001 0110 A’1001 1001 B1100 1001 B’1100 0110 (5)變異對群體P（t）內的每個個體，以變異概率Pm改變某一個或某一些基因串上的基因值為其他的等位基因。對于二進制基因串就是將1改為0或將0改為1，如: 變異 A 1100 1101——110101101重復上述過程，各代種群的優(yōu)良基因逐漸積累，種群的平均適應度和個體適應度不斷上升，直到迭代收斂，即找到最優(yōu)解為止。雖然在目前的技術條件下，關于整個進化的機制還沒有完全弄清楚，但通過許多實驗和在微觀世界里面進行的科學研究，人們逐漸認識了它們的許多特征。生物體的生成是染色體譯碼的結果，所以生物體結構編碼的染色體變化是進化發(fā)生的根本原因。染色體的編碼和譯碼過程的細節(jié)人們并不是完全了解，但下面幾個關于進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進行過程發(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構的表現(xiàn)聯(lián)系在一起，那些適應性好的個體的染色體經常比差的個體的染色體有更多的繁殖機會。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。通過結合兩個父代染色體中的物質，重組過程可以產生有很大差異的染色體。④生物進化沒有一記憶。有關產生個體的信息包含在個體所攜帶染色體的集合以及染色體編碼的結構之中，這些個體會很好地適應它們的環(huán)境。與自然界的生物進化過程相類似，遺傳算法的運算過程也是一個反復迭代的過程，第t代群體記做P(t)，經過一代遺傳和進化后，得到第t+l代群體，它們也是由M個個體組成的群體，記做P(t+l)。這個群體不斷地經過遺傳和進化操作，并且每次都按照優(yōu)勝劣汰的規(guī)則，將適應度值較高的個體更多地遺傳到下一代。這樣最終在群體中將