李晔[1]2007年在《基于一种改进遗传算法的神经网络》文中研究表明随着时代的发展，科技的进步被控对象变得越来越复杂，其过程机理有许多不明之处，致使基于数学模型的传统控制方法难以奏效，因此提出很多智能控制方法，其中神经网络控制是解决这些问题的有效途径，可用来处理不确定性的复杂系统，神经网络虽然具有自学习能力，但其内部机理不很明确，知识表达困难。针对神经网络存在的不足，又考虑现在优化算法中，遗传算法具有鲁棒性、随机性、全局性、适于并行处理的优点，本文提出用遗传算法优化神经网络，弥补神经网络的不足。遗传算法是目前应用最广的优化搜索算法之一。目前，遗传算法已经在许多领域得到了应用，如函数优化、模型优化、结构优化、工业生产、图像处理等等。但基本遗传算法易于陷入局部最优，在有些时候收敛速度过慢，这使得基本遗传算法很难找到全局最优。如何能够使遗传算法尽可能快地跳出局部最优和如何能够提高遗传算法的收敛速度，是近年来遗传算法研究领域的热点。本文针对简单遗传算法(SGA)应用过程中所存在的不易收敛、结果常常陷入局部最优、编码方式存在解码误差、收敛速度慢等缺点，提出使用一种基于排序选择的改进遗传算法，并用其进行智能控制器的参数寻优。遗传算法的选择、交叉以及变异，每个环节的实现策略的改变都会对整个遗传算法的寻优性能产生重要影响；而且需要其它环节做出相应的调整，才能达到比较理想的提高遗传算法寻优能力的目的。基于上述原因，提出基于排序选择的改进遗传算法。所谓排序选择方法是指在计算出每个个体的目标值后，根据目标值的大小顺序对群体中的个体进行排序，适应度仅取决于排序后的个体在种群中的位置，并且每个个体的选择概率等于根据它所处的位置按某种规律计算出来的概率。用改进的遗传算法优化调整神经网络的权值，将优化所得参数作为神经网络的初始权值。这种针对神经网络控制器的结构特点，用遗传算法训练优化网络权重，得到的复合智能控制器具有很好的特性，既保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力，并且可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。将基于改进遗传算法的神经网络控制器用于二级倒立摆系统，通过仿真结果的研究表明，基于排序选择的改进遗传算法在神经网络权值寻优中，能够充分发挥其全局寻优的特点，且能够很好的弥补BP算法训练时间长，响应速度慢的不足。
王丽[2]2008年在《智能控制在铺排船自动作业监控系统中的研究与应用》文中进行了进一步梳理铺排船是一种为适应长江航道治理工程的需求满足对软质基础河床构造建筑物的要求而设计的专用工程船舶。由于其运动控制方式的特殊性和难以建立精确模型,因此,依赖精确数学模型的传统控制理论的应用受到很大的限制。目前的铺排船大都采用手动方式来控制,主要依靠船工经验,来协调控制各条缆绳的收放,实现船舶的移船和定位。为高效和高质量实现铺排作业,实现铺排船的自动操纵是非常必要的。智能控制理论的建立弥补了传统控制理论的不足,它不必建立精确的数学模型,通过构建系统的知识库和推理机构,运用人类思维方法对系统进行控制,能够达到理想的控制目标。本文主要研究智能控制理论在工程船舶自动作业监控系统中的应用,实现工程船舶的自动操纵和航迹航向自动纠偏。首先,论文对铺排船进行建模研究,研究采用BP神经网络实现对铺排船的运动模型建立,研究采用遗传算法对BP神经网络参数的优化,完成一个基于GA-BP的铺排船运动模型。将遗传算法用于BP神经网络建模,解决了BP神经网络自身的缺陷,对建立BP神经网络结构起到了很好的全局寻优作用。该模型是利用遗传算法的全局寻优能力来优化BP神经网络的权值和阈值,很好的解决了工程船舶难于建立理想数学模型的实际问题。其次,针对所建立的GA-BP铺排船运动模型设计一个单纯的模糊控制器,通过仿真实验调节模糊控制器的参数使之达到较满意的控制效果;最后,在此基础上融合神经网络的参数优化能力,设计出了一种模糊神经控制器,来对铺排船进行控制。仿真实验表明,优化后的铺排船模糊神经控制器较单纯模糊控制器具有更好的动态性能和稳态性能。
戚志东[3]2002年在《基于遗传算法的神经模糊控制器的设计及应用》文中进行了进一步梳理在现代工业控制过程中,模糊控制在模型不确定系统中的应用越来越广泛。而对于不同的控制对象,模糊控制器的控制规则,隶属函数参数,量化因子和比例因子也是不一样的,它们对模糊控制系统性能的好坏起着决定性的作用。如何获取这些参数和规则是模糊控制器设计的核心问题。本文首先研究了模糊控制与神经网络的基础理论和融合技术,结合两者的优点,提出了一种全网络化结构的神经模糊控制器。它用五层神经网络实现了模糊控制器的全部功能:模糊化、模糊推理和反模糊。在研究了标准遗传算法优、缺点的基础上,采用多点交叉、灾变算子、最优保留及用模糊控制的方法确定交叉和变异概率等多种改进策略设计了一种改进的遗传算法,并用它综合优化神经模糊控制器的结构和参数,同时生成相应的神经模糊控制器。仿真结果和实验数据表明,优化后得到的神经模糊控制器具有较好的动态性能和较强的鲁棒性。最后将优化方法及神经模糊控制器应用于汽车防抱死制动系统的设计过程,基于单轮的汽车模型,实现了对刹车过程中滑移率的控制,仿真结果验证了此法在实际应用中的可行性及有效性。
崔佳[4]2007年在《遗传算法在神经模糊控制器优化和BP神经网络优化中的应用》文中研究指明随着人工智能、计算机的进步，智能控制在国内外有了很大的发展。模糊控制系统和神经网络系统作为常用的智能控制系统，被广泛应用于各个科学等领域。本文针对模糊控制和神经网络控制中的不足，利用计算智能中的遗传算法对其进行优化设计。论文的主要工作如下：1．讨论了基本遗传算法与其它传统优化算法的优缺点，并针对基本遗传算法存在欺骗、早熟以及停滞的问题，对基本遗传算法在选择操作以及交叉和变异算子上进行了相应的改进。通过仿真实验说明改进的遗传算法的性能确实优于一般遗传算法。2．研究了模糊控制器的主要结构及工作原理，讨论了传统模糊控制器的设计依赖于领域专家的知识和经验，没有像现代控制理论那样完善和系统化，也缺少系统化的设计方法等的不足之处。而遗传算法不需要待优化函数具有连续可微性，并具有很强的通用性和隐含并行性。因此，拟用遗传算法来解决复杂系统控制器参数优化问题。最后将改进后的遗传算法应用到模糊控制器的优化设计中，提出了基于改进遗传算法的模糊控制器优化设计方法。在倒立摆系统为对象的实验中，本文用遗传算法优化了ANFIS控制器，实验结果表明具有良好的效果。3．BP网络作为神经网络最常用的形式，本文首先讨论了其收敛速度慢、容易陷入局部最优等缺陷，然后利用遗传算法具有全局寻优的特点对BP网络进行优化设计，提高了一般BP算法的收敛速度，并取得了较高的精度。最后将基于GA的BP网络应用于ECG的ST段分类上，取得较好的成果。
高建英[5]2000年在《基于遗传算法设计模糊RBF神经网络控制器》文中研究表明模糊理论，神经网络和遗传算法的融合正在控制领域显示出巨大的应用潜力。本文在对上述叁种方法进行结合和改进的基础上，提出了一种可以在无模型和无先验知识的情况下设计鲁棒控制器的方法，并且通过对典型非线性工业对象CSTR的仿真应用，验证了该方法的良好性能。 该方法的实现，得益于两点关键： 一是对遗传算法的改进：通过引进模糊编码方法来表示模糊神经控制器的结构，极大地减少了参数优化任务，加快了遗传算法的运行；并且还引入了优良模式自学习操作，改善了遗传算法的性能； 二是灵活转换控制器结构：利用两种模糊神经控制器的性能等价性，交替使用两种结构，发挥了其各自的优势。
常依斌[6]2003年在《模糊神经网络自组织控制在自动舵中的应用》文中指出用于船舶操纵的自动舵是船舶系统中不可缺少的重要设备，随着对航行安全及营运需求的增长，对自动舵的要求也日益提高。上世纪20年代，美国的Sperry和德国的Ansuchz在陀螺罗径研制工作取得实质进展并分别独立地研制出机械式的自动舵后，人们对自动舵的研究就从未间断过。后来随着电子学和伺服机构理论的发展和应用，集控制技术和电子器件的发展成果于一体，出现了PID操舵仪；20世纪60年代末，由于自适应理论和计算机技术得到了发展，将自适应理论引入船舶操纵成为可能，于是形成了自适应自动舵。但它们由于各种原因存在着这样或那样的缺点，使得控制效果难以保证。 直到智能控制理论应用的出现，为自动舵的研究才开辟了更广阔的空间。智能控制方法符合人类思维方法，主要是模糊控制、神经网络控制等以及这些控制方法的综合应用。模糊系统是仿效人的模糊逻辑思维方法设计的一类系统，这一方法本身就明确的说明了系统在工作过程中允许数值型量的不精确性存在。另一方面，神经网络在计算处理信息的过程中所表现出的容错性来自于其网络自身的结构特点。而人脑思维的容错能力，正是源于这两个方面的综合—思维方法上的模糊性以及大脑本身的结构特点。模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术，它是模糊逻辑推理与神经网络有机结合的产物。 本文主要对模糊神经网络自组织控制器在自动舵中的应用进行了研究，综合了模糊控制和神经网络的应用。由模糊神经网络控制器(FNNC)实现模糊控制系统中的模糊推理和逆模糊化，通过对FNNC的离线训练，让其学习、记忆人们的经验知识，训练好的FNNC实现对人们控制行为的模拟，同时根据被控过程的运行状态在线自调整、自学习(调整FNNC权值、修改控制规则)，给出合适的控制量，进一步改进控制效果；用PNN网络实现模糊控制系统中的知识库的组成和更新，通过对其离线训练记忆性能测量指标，将训练好的PNN接入控制系统中进行在线学习，其输出作为FNNC的学习信号。 在神经网络离线训练时应用了基于达尔文进化论的遗传算法，为了解决一般遗传算法的早期收敛和陷入超平面等问题，采取对交叉和变异率自适应调整的方法来提高搜索效率。另外对常规Kalman滤波算法进行改进，提出推广Kalman滤波算法。 最后通过用VC++和MATLAB编程对模糊神经网络控制器在船舶操纵中的应用进行了计算机仿真，通过与PID和自适应的控制效果相比较，说明了模糊神经网络控制的优势所在。当然智能控制和其他控制方法相比较仍属于新生事物，尤其在实际的应用中受硬件限制较大。文章最后针对这些问题，结合新理论（耗散结构理论、协同学、混饨动力学理论、蚁群算法等）的出现和计算机技术的飞速发展，对智能舵的发展前景进行了展望。
缴春景[7]2008年在《基于GA的游梁抽油机变频驱动模糊神经网络最优控制》文中认为交流变频驱动抽油机是近年来在游梁式抽油机的基础上应用变频调速技术发展起来的新技术,对其各部分及总体的适用控制方法正在形成。在工程实际中,需控制的系统常常存在着不确定性、高度非线性、时变、时滞等特性,要建立精确的数学模型往往较为困难。因此本文首次将基于遗传算法的模糊神经网络控制应用于交流变频驱动抽油机系统,以求获得良好的计算机实时控制效果。本文的硬件系统是由原有的游梁式抽油机模拟实验装置改造成的交流变频驱动抽油机控制系统实验装置。本文使用的控制算法是:模糊逻辑控制与神经网络控制相结合,利用遗传退火算法对模糊神经网络控制器参数进行综合设计、优化,通过控制器性能指标离线寻找最优的控制器结构和参数。目的是将该算法应用于交流变频驱动的抽油机控制系统中,同时与一般模糊控制进行对比研究,以验证该控制算法的可行性和优越性。通过实验得出:一般模糊控制稳态误差为3%,基于遗传算法的模糊神经网络最优控制的稳态误差1.8%。通过不同控制算法的实验结果得出,基于遗传算法的模糊神经网络最优控制在系统中控制效果更好,表明应用于交流变频驱动抽油机控制系统是可行的。本文通过理论分析与实验研究,将基于遗传算法的模糊神经网络最优控制应用于交流变频驱动抽油机系统是非常有意义的,为该课题的进一步深入研究奠定了基础。
姜雷[8]2005年在《基于遗传算法的模糊神经网络控制器设计》文中指出本论文探讨了当前国际学术界的热点——遗传算法(GA)和模糊神经网络(FNN),提出了一种改进自适应遗传算法(ISAGA),在提高解的品质和加快算法收敛速度方面进行了有益探索,并建立了一种基于ISAGA 训练的新型模糊神经网络控制器,该控制器具有自适应学习的能力。本文研究主要内容如下:1. 针对许多实际应用中存在的遗传算法全局收敛性能与收敛速度之间的矛盾,研究探讨了一种改进的ISAGA,主要是通过对现有种群“早熟”程度评价指标不足之处的分析,设计出了一种物理意义清楚、运算量小的新指标,有效避免了较差个体带来的不利影响,并在此基础上实现交叉概率pc 和变异概率p m的自适应调整。2. 在FNN 理论的基础上,研究了一种新的FNN 模型,与常用模型相比,该模型不仅计算简单、收敛速度块,而且具有明显的物理意义,并论证了该网络的全局逼近性,为其用于实际建模提供了理论依据。3. 针对传统BP 学习算法存在的学习效率低、收敛速度慢、易陷入误差曲面平坦区和局部极小点等不足,探讨了基于ISAGA 的FNN 学习方法,使网络的全局收敛性能力得到了明显提高。4. 采用本论文提出的ISAGA 和新型FNN 控制器,以单级倒立摆作为仿真对象,验证了本论文提出的基于ISAGA 的模糊神经网络控制器的可行性。遗传算法、模糊控制与神经网络相结合的控制策略具有显着的优点,表明它们在智能控制领域具有巨大的应用潜力,因此人工智能领域的研究将是今后一个非常重要的研究方向。
仪怀亮[9]2007年在《基于CAN总线的变压器烘炉温度控制系统及其控制算法研究》文中认为本文将CAN总线应用于变压器烘炉温度控制系统并对其控制算法进行了较为详细的研究。论文利用当前流行的CAN现场总线，完成组网和建网；在此系统上重点研究了在当前过程控制领域中应用广泛的智能控制算法，并且进行了智能节点和监控节点的硬件设计和软件设计。作者在广泛了解阅读国内外现场总线、模糊控制、神经网络、遗传算法的文献资料的基础上，对现场总线和自组织竞争的模糊神经控制网络的有关问题进行了研究探讨，并应用于变压器烘炉温度控制系统中，经仿真得到了满意的结果。文中采用反向传播算法(Back Propagation简称BP算法)和遗传算法相结合进行系统建模和模型辨识，系统的模型取得较好的拟合；采用自组织竞争算法使控制器得到优化，性能改进，运算速度快；采用FNNC—PID(Fuzzy Neural Network-PID)复合控制算法设计的控制器响应快、精度高。计算机仿真的结果表明，该方法可以获得满意的动态性能、静态性能和较好的鲁棒性。优于传统的PID控制和常规的模糊控制。变压器烘炉是具有大惯性和非线性特征的系统的代表，在这个系统上运用模糊神经控制算法、FNNC—PID复合控制算法具有研究的意义和价值。本文对变压器烘炉的计算机控制网络进行了具体的软件设计、硬件设计和控制算法设计，仿真的结果比较满意。
张守印[10]2006年在《轧机液压弯辊基于GA的模糊RBF神经网络控制的研究》文中进行了进一步梳理国内轧钢生产企业对于板形控制的研究起步较晚,而且多数都是成套设备的引进,对于设备设计的深入研究还相对较少。对轧钢板形弯辊液压系统的设计,一般采用与国外同类弯辊液压系统相类比的方法进行设计,类比设计方法由于缺乏设计的理论依据,有很多缺陷,实际应用中存在许多问题,因此板形质量远远达不到实际生产的需要。针对此问题,本文以900HC冷带钢轧机弯辊液压系统为对象,对基于GA(遗传算法Genetic Algorithm)的模糊神经网络控制理论在该轧机液压弯辊伺服系统中的应用进行了研究。 本文在全面了解液压弯辊控制系统、液压伺服系统的建模方法和仿真及优化的基础上,主要以理论计算分析和仿真验证为主要手段,建立了更加适用于工程实际的数学模型,该模型不仅能准确地体现系统的动态特性,而且为获得系统和元件的准确参数提供了理论依据,同时在建模过程中还考虑了一些常被简化和忽略的非线性因素、外在干扰的影响。在模型的实现方面,本文充分利用了现代仿真技术和计算软件,使用软件Matlab中的SIMULINK动态结构图实现了系统仿真,分析仿真结果,指出了弯辊液压控制系统存在的缺点及传统控制方法在改善此缺点方面存在的不足。为此,在综合现代智能控制方法的基础上,该文设计了一种新的基于GA的模糊RBF(径向基函数神经网络Radial Basis Function)神经网络控制器,并将其应用于HC轧机板形液压控制系统中,仿真结果表明,该智能控制器比传统控制方法PID能更好的改善液压系统的动静态特性,提高了板形控制精度,从而也验证了该控制器的良好性能。
参考文献：
[1]. 基于一种改进遗传算法的神经网络[D]. 李晔. 太原理工大学. 2007
[2]. 智能控制在铺排船自动作业监控系统中的研究与应用[D]. 王丽. 武汉理工大学. 2008
[3]. 基于遗传算法的神经模糊控制器的设计及应用[D]. 戚志东. 江苏大学. 2002
[4]. 遗传算法在神经模糊控制器优化和BP神经网络优化中的应用[D]. 崔佳. 郑州大学. 2007
[5]. 基于遗传算法设计模糊RBF神经网络控制器[D]. 高建英. 大连理工大学. 2000
[6]. 模糊神经网络自组织控制在自动舵中的应用[D]. 常依斌. 上海海运学院. 2003
[7]. 基于GA的游梁抽油机变频驱动模糊神经网络最优控制[D]. 缴春景. 西安石油大学. 2008
[8]. 基于遗传算法的模糊神经网络控制器设计[D]. 姜雷. 哈尔滨理工大学. 2005
[9]. 基于CAN总线的变压器烘炉温度控制系统及其控制算法研究[D]. 仪怀亮. 西安建筑科技大学. 2007
[10]. 轧机液压弯辊基于GA的模糊RBF神经网络控制的研究[D]. 张守印. 兰州理工大学. 2006
标签：自动化技术论文; 遗传算法论文; 模糊控制论文; 智能控制论文; 模糊神经网络论文; 模糊算法论文; 模糊理论论文; 仿真软件论文; 最优控制理论论文; 网络模型论文; 自动化控制论文; 能力模型论文; 网络结构论文; 算法论文; bp神经网络算法论文;