基于蚁群优化算法的模糊神经网络控制器及仿真研究

作者:程启明;王勇浩 刊名:上海电力学院学报 上传者:韩忠岭

【摘要】提出了一种基于蚁群优化算法的模糊神经网络控制系统,并介绍了模糊神经网络控制器的结构及其参数的蚁群优化算法.仿真结果表明了该方法的可行性和有效性.

全文阅读

在工业过程控制中,被控过程一般都具有严重的非线性、时变性、复杂性,并受到各种干扰.因此,难以建立其精确的数学模型.常规的PID控制或现代控制理论都难以达到满意的控制效果.模糊控制(FC)是不依赖于对象的模型,但传统的模糊控制所依赖的控制规则缺乏在线自学习能力,不适应被控对象变化的需要,因而严重影响控制效果.神经网络(NN)技术为自适应模糊控制的设计开辟了新途径,可实现隶属函数的优化和模糊推理,由此产生了模糊神经网络控制(FNC)技术[1~7].但NN的参数学习算法一般都采用BP算法.该算法存在收敛速度慢,易陷入局部最小值等问题.本文采用蚁群算法[8~10]对NN进行训练,并通过仿真证明了基于这种学习算法的控制系统的可行性和有效性.1模糊神经网络控制结构模糊神经网络控制系统的结构见图1.模糊神经网络控制器FNC采用蚁群ACO算法,并对其参数进行优化.图1控制系统的结构本控制器有两个输入和一个输出,两个输入分别为误差e和误差变化率ec,一个输出为u.e(i)=GE(r(i)-y(i)),ec(i)=GECEC(i)式中:r(i),y(i)系统给定值、受控对象的输出值;EC(i)误差变化率;GE,GECe,ec的量化参数.将e和ec划分为7个模糊子集,即{负大,负中,负小,零,正小,正中,正大}={NB,NM,NS,ZO,PS,PM,PB},它们的隶属函数可用高斯函数表示为2ij2Aij(xi)=exp-(xi-mij)式中,xi,mij,ij输入变量,隶属函数的中心,隶属函数的宽度.模糊推理可用一组规则表示,即Rk:If(eisA1i)and(ecisA2j)thenuisUk,i,j=1,2,…,7,k=1,2,…,49.式中:Rk第k条模糊规则,总模糊关系R=kRk;A1i,A2j,Uke的第i个,ec的第j个,u的第k个模糊子集.输出变量的隶属函数为模糊单点,即当u=wk时,Uk(u)=1,而当uwk时,Uk(u)=0.模糊推理采用sumproduct方法,解模糊采用加权平均法.模糊系统的输出为u=49k=1wkk49m=1m=49k=1wkkk=A1k(x1)A2k(x2)(1)式中,k第k条规则的激活度.根据上述要求,本模糊控制器可用一个4层的神经网络来实现,如图2所示.网络的1~3层实现模糊规则“IF-THEN,”3-4层实现去模糊化.其结构为2-14-49-1.该模糊神经网络FNN与一般的神经网络NN的不同点在于,参数是体现在连接点而非连接权上.下面公式中的Iik和Oik分别表示第k层的第i个神经元的输入和输出.图2模糊神经网络控制器结构(1)第1层为输入层表示模糊控制的输入信号,此层只有2个节点.Ii1=xiOi1=Ii1i=1,2x1=ex2=ec(2)(2)第2层为模糊化层每个节点的输出应是相应的隶属函数值,采用一个倒钟形正态分布的隶属函数,此层共有14个节点.Ij2=-(xi-mij)2ij2Oj2=exp(Ij2)i=1,2j=1,2,…,7(3)(3)第3层为模糊控制规则层此层共有49个节点.Ik3=xk13xk23Ok3=Ik3k1,k2=1,2,…,7k=1,2,…,49(4)(4)第4层为去模糊化层即模糊控制的输出,此层只有1个节点.I4=49k=1wkOk3u=O4=4I49k=1Ok3k=1,2,…,49(5)式中,wk第3-4层间的连接权.在这个模糊神经网络中,可调参数有第3-4层间的权值wk,以及第2层的14个节点中的高斯型隶属函数的均值mij和标准差ij.2模糊神经网络控制器参数的蚁群优化算法蚁群优化(ACO

参考文献

引证文献

问答

我要提问