【文章內(nèi)容簡介】 制結(jié)構(gòu)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(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)測控制預(yù)測控制的特征是預(yù)測模型、滾動優(yōu)化和回饋校正。其中神經(jīng)網(wǎng)絡(luò)預(yù)測控制器建了非線性被控對象的預(yù)測模型，可在線學(xué)習(xí)修正。利用此預(yù)測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)測出被控系統(tǒng)在將來一段時間范圍的輸出值。(6)神經(jīng)網(wǎng)絡(luò)解耦控制神經(jīng)網(wǎng)絡(luò)解禍通常基于逆系統(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(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)知識和邏輯推理，神經(jīng)網(wǎng)絡(luò)善于非線性映像和直覺推理，將二者相結(jié)合發(fā)揮各自的優(yōu)勢，就會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?；谶M(jìn)化計算的神經(jīng)網(wǎng)絡(luò)設(shè)計和實現(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)簡單，易于程序設(shè)計，因此在控制領(lǐng)域中得到廣泛的應(yīng)用。但實際應(yīng)用中還存在一些問題。1，需要較長的訓(xùn)練時間對于一些復(fù)雜的問題，BP算法可能要進(jìn)行幾小時甚至更長的時間訓(xùn)練。這主要是由于學(xué)習(xí)速率所造成的，針對這一問題可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率來加以改造。未成熟飽和在網(wǎng)絡(luò)的訓(xùn)練過程中，當(dāng)其權(quán)值調(diào)得過大，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，從而使得對網(wǎng)絡(luò)權(quán)值的調(diào)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(quán)值，二是采用較小的學(xué)習(xí)速率，但這又增加了訓(xùn)練時間。局部極小值BP算法可以使網(wǎng)絡(luò)權(quán)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(xùn)練是從某一起始點沿誤差函數(shù)的斜面逐漸達(dá)到誤差的最小值。對于復(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(xùn)練過程中，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(xùn)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(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)元的個數(shù)，同時增加了網(wǎng)絡(luò)的復(fù)雜性以及訓(xùn)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(luò)進(jìn)行訓(xùn)練，然后再從中挑選出最好的結(jié)果。早在1983年，Barto等【15】就設(shè)計了兩個單層神經(jīng)網(wǎng)絡(luò)，采用AHC(Adantiveheuristiccritic)學(xué)習(xí)算法實現(xiàn)狀態(tài)離散化的倒立擺控制。而在1989年，Anderson【16】進(jìn)一步用兩個雙層神經(jīng)網(wǎng)絡(luò)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(xùn)練BP網(wǎng)絡(luò)來逼近口值函數(shù)，并利用BP網(wǎng)絡(luò)的泛化能力，實現(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倒立擺的無模型學(xué)習(xí)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(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，以此來描述被控對象的輸人輸出關(guān)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(biāo)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(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，si等【19]將神經(jīng)網(wǎng)絡(luò)理論與增強式學(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)。該實時學(xué)習(xí)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(xué)習(xí)。系統(tǒng)狀態(tài)通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程被儲存。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[]，無需預(yù)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(dāng)前狀態(tài)，即可對倒立擺進(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)算法來獲取神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)和權(quán)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(jìn)化機制，并用在人工系統(tǒng)中實現(xiàn)特定目標(biāo)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(zhì)，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(zhì)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(guān)搜索空間的指示，并自我調(diào)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(fù)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(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，自動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(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題。盡管遺傳算法經(jīng)過幾十年的理論及應(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)的選取還要依靠實驗經(jīng)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(jì)40年代，生物模擬就成為了計算科學(xué)的一個組成部分，如早期的自動機理論就是假設(shè)機器是由類似于神經(jīng)元的基本元素構(gòu)成的。近幾十年來，人們關(guān)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(jīng)網(wǎng)絡(luò)可否使機器具有看和聽的能力等等這些有關(guān)生物模擬的問題。自從人們接受了達(dá)爾文的生物進(jìn)化理論之后，科學(xué)家們就對生物的進(jìn)化機制產(chǎn)生極大的興趣。自然進(jìn)化特征在60年代就引起了美國Michigan大學(xué)的JohnHolland的極大興趣，那時Holland從事如何建立能學(xué)習(xí)的機器研究。他注意到學(xué)習(xí)不僅可通過單個生物體的適應(yīng)，而且可通過一個種群的許多代進(jìn)化適應(yīng)實現(xiàn)。他受達(dá)爾文進(jìn)化論—“適者生存”的啟發(fā)，逐漸認(rèn)識在機器學(xué)習(xí)的研究中，為獲得一個好的學(xué)習(xí)方法，僅靠單個策略的建立和改進(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就將這個研究領(lǐng)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(xué)術(shù)會議，遺傳算法己經(jīng)有了很大的發(fā)展，并開始滲透到人工智能、神經(jīng)網(wǎng)絡(luò)、機器人和運籌學(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)，廣泛用在計算機科學(xué)、工程設(shè)計、管理科學(xué)和社會科學(xué)等領(lǐng)域。、特點及應(yīng)用遺傳算法GA是建立在自然選擇和群體遺傳機制基礎(chǔ)上的隨機迭代、進(jìn)化，具有廣泛適應(yīng)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(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(biāo)函數(shù)H設(shè)定一個適應(yīng)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(jìn)制編碼方案對優(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個二進(jìn)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(jìn)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(chǎn)生出給定數(shù)量初始群體的個體，這些個體就是一批二進(jìn)制代碼串。首先，對每個個體計算其相應(yīng)的適應(yīng)度Fi,按Fi的大小評價該個體染色體的素質(zhì)。Fi愈大表示第i個個體的素質(zhì)愈好，優(yōu)化的目標(biāo)是找到Fi最大時所對應(yīng)的個體。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)化過程擇優(yōu)去劣，逐次迭代，選出優(yōu)秀的種群與個體，以達(dá)到優(yōu)化的目的。(3)選擇根據(jù)各個個體的適應(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越大的個體，賦予更大的選擇概率Pi，通常Pi∈Fi，即適應(yīng)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(nèi)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(jìn)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(chǎn)生新的一代如: 雙親 后代 A1001 0110 A’1001 1001 B1100 1001 B’1100 0110 (5)變異對群體P（t）內(nèi)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(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)于整個進(jìn)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(jìn)行的科學(xué)研究，人們逐漸認(rèn)識了它們的許多特征。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程的細(xì)節(jié)人們并不是完全了解，但下面幾個關(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)性好的個體的染色體經(jīng)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(jié)合兩個父代染色體中的物質(zhì)，重組過程可以產(chǎn)生有很大差異的染色體。④生物進(jìn)化沒有一記憶。有關(guān)產(chǎn)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(jié)構(gòu)之中，這些個體會很好地適應(yīng)它們的環(huán)境。與自然界的生物進(jìn)化過程相類似，遺傳算法的運算過程也是一個反復(fù)迭代的過程，第t代群體記做P(t)，經(jīng)過一代遺傳和進(jìn)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(jīng)過遺傳和進(jìn)化操作，并且每次都按照優(yōu)勝劣汰的規(guī)則，將適應(yīng)度值較高的個體更多地遺傳到下一代。這樣最終在群體中將