轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

传统控制理论与模糊控制理论相结合的实用过程控制系统

本文将模糊控制理论与传统控制理论相结合,对于有些复杂的工业过程,经过一定的数学处理,让计算机依据确定的推理法则,做出模糊决策,从而达到自动控制的目的。     

控制环境对预算控制系统的影响

企业的预算控制系统与控制环境紧密相关,随着企业的控制环境变化而变化。传统预算控制系统由于缺乏对控制环境的考虑而产生各种弊端。基于此,以控制环境为切入点,以权变观、系统观和整合观为原则构建了基于环境的预算控制系统。在此基础上,对预算控制系统中的预算松弛、预算控制变量选择、预算控制紧度选择及预算评价和激励等关键环节进行改进,从而提高预算控制系统与控制环境的适应性,充分发挥预算控制系统的功能。     

神经网络训练参数等对控制效果的影响

本文在简要分析基于神经网络控制优点的基础上，选用ＣＭＡＣ神经网络，设计相应的控制器，采用数值仿真方法，分别调整各项参数进行神经网络学习控制的实验研究，得到这些参数对系统控制效果的影响及其规律，这对基于神经网络控制器的设计、应用以及性能分析等工作具有指导意义．     

AGC控制技术的发展过程及趋势

综述板带轧钢厚度控制技术的发展和产生厚差的原因（主要有：温度、轧制力等）。在带钢厚度自动控制（AGC）中常用的智能算法有神经网络、模糊控制、遗传算法和模糊神经网络,总结其各自的特点及其在AGC中的应用,其中模糊神经网络取模糊控制和神经网络之长而去其所短,有独特的优势,并指出控制理论和智能算法的结合是AGC控制技术发展的大趋势。     

变结构控制理论中抖振问题的研究

分析了变结构控制系统可能引起抖阵的原因，并在此基础上总结了消除抖阵的几种途径，提出了一种降低抖振的方法—模糊神经法。     

一种模糊神经网络自适应预测控制方案的研究

在过程控制中,由于被控对象常具有非线性、不确定性及参数时变等复杂因素,难以建立精确的数学模型,从而直接影响了控制效果,提出了一种模糊神经网络自适应预测控制议案,对学习公式进行了理论指导,并结合误差补偿以提高预测控制的精度,仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具有良好的控制性能。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法(GA)和模糊神经网络控制器的结构进行了说明.为了克服反向传播算法(BP)的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练.用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越.     

一种基于遗传算法的模糊神经网络控制器的设计

提出了一种基于遗传算法的模糊神经网络控制器的设计.该设计通过改进的遗传算法实现了控制规则和隶属函数的优化.算法中引入了优良模式自学习算子,改善了遗传算法的性能.通过对典型的非线性对象CSTR控制,仿真结果表明该方法是有效的.     

一种对多层建筑振动半主动控制的新算法

为了有效抑制多层建筑的地震响应,提出了自适应神经网络控制(MGA_ANNC)策略.首先对非确定性和非线性结构的参考轨迹进行了追踪,并采用径向基函数网络来保证追踪的精度.然后利用改进的遗传算法(MGA)对结果参数向量的初始值进行了选定.最后结合改进的剪切最优(MCO)控制算法提出了适合调谐质量-磁流变阻尼器(TM-MRD)的MGA_ANNC/MCO半主动控制算法.分别对一座9层框架结构在无控制、MGA_ANNC/MCO半主动控制、MGA_ANNC主动控制和LQG主动控制下的各项评价指标值进行了计算.结果表明:MGA_ANNC/MCO和MGA_ANNC的减震效果均比LQG的要显著.     

基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

遗传算法及其在智能控制中的应用

在介绍遗传算法的概念、实现方法的基础上,分析了遗传算法在神经网络及模糊控制中的应用。     

基于免疫遗传算法的超声电机模糊神经网络控制

针对超声电机参数的时变性、系统内在的非线性和系统的强耦合性等特点,提出基于免疫遗传算法的超声电机模糊神经网络速度控制策略．实验结果表明,与传统模糊神经网络速度控制相比,采用该方法的系统能较好地实现设定的超声电机速度参考模型的自适应跟踪,响应速度脉动小,具有控制灵活、适应性强、控制精度高、鲁棒性强等优点．     

基于免疫遗传算法的模糊优化控制及其仿真

提出了一种记忆细胞精英抗体遗传策略,能强化免疫系统的记忆功能和抗体浓度调节机制,从而使免疫遗传算法更快速、稳定地收敛到全局最优点.在模糊规则和隶属度函数联合编码基础上,通过上述改进型免疫遗传算法实现模糊控制器参数的同步优化.另外,由于模糊规则库和隶属度函数通常都具有对称的特点,控制器优化时可将搜索空间减半,从而使稳定性、收敛性得到显著提高.将这种新型模糊优化控制方法应用于过热汽温控制系统进行仿真,结果表明可以获得非常满意的闭环控制效果.     

神经模糊控制及其对汽包水位控制的仿真研究

为了克服单纯模糊控制的缺点,将神经网络技术引入模糊控制中,提出神经模糊控制方法,给出相应的控制算法.应用该方法对锅炉汽包水位控制系统进行了仿真,结果表明,神经模糊控制是很有效的.     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

基于信息论和免疫遗传算法学习贝叶斯网络结构

提出一种新的实现贝叶斯网络(BN)结构学习的方法,即由信息论和免疫遗传算法相结合构造最优贝叶斯网络结构.首先,通过信息论迅速搜索较为可能的网络空间,构造一个候选网络,然后用免疫遗传算法进行网络精简,得到一个最优的网络结构.不仅可降低计算复杂度,提高贝叶斯网络结构学习的效率,而且避免了传统启发式算法易陷入局部最优解的问题.实例计算证明了其可行性.     

基于遗传算法的最优模糊控制器设计

模糊控制规则集是模糊控制系统的核心部分,对控制的快速性和精度有很大影响,采用改进的ＧＡ算法优化ＢＰ网络,加快了ＢＰ网络的收敛速度,也避免了ＢＰ网络易于陷于局部极小的麻烦。用优化的ＢＰ网络生成规则集,经过优化的ＢＰ网络隐层神经元数减少,即优化了规则库,从而提高系统的精度,降低了对ＢＰ网络系统误差的精度要求。     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

基于模糊预测控制的机车制动控制方法

为了减少模型参数、噪声耦合和随机性干扰对机车制动控制系统控制精度和稳定性的影响,提出1种基于模糊预测控制的制动控制方法,利用基于满意度的T-S模糊建模方法建立精确的预测模型.研究结果表明:通过模糊遗传算法进行滚动优化,获得全局最优解作为预测控制控制器的输出,进而提高系统控制快速性和稳定性,仿真结果验证了该方法的有效性.