基于聚类算法的神经模糊推理系统结构和参数的优化

根据社会网络与模糊逻辑系统的各自特性，在分析了扩展RBF网络与T－S型模糊逻辑系统功能等价性的基础之上，提出了扩展RBF网络与T－S型模糊逻辑系统相互融合的一种新的自适应模糊逻辑系统，考察了系统现有的结构和参数优化方法，提出了采用基于山峰函数的减法聚类算法与由梯度下降算法和最小二乘算法所组成的混合学习算法来对模糊推理系统进行训练，从而优化自适应模糊推理系统的结构和参数，最后，针对一非线性函数逼近问题进行了验证，仿真取得了很好的效果。系统的逼近精度和收敛速度获得了明显的提高，从而表明本文提出的算法是有效性和可行性。     

基于GA的城市交叉口信号控制模糊规则优化

根据城市交通系统中单交叉口信号控制的具体情况，对遗传算法进行了改进，并利用改进的遗传算法对交叉口信号模糊控制器的模糊规则进行优化，建立新的优化算法．计算机仿真结果表明，采用改进的遗传算法方法优化模糊控制规则，可以减少因人的经验的局限性而导致的模糊规则的不完备性，使得控制器实用性更强，控制效果更好．     

动态联盟中多方案伙伴挑选问题的软计算算法

描述了虚拟企业动态联盟中，含有多个子项目的活动网络伙伴问题，以满足伙伴方案满意度下的最小化竞标花费与拖期惩罚之和为目标，并为之建立0－1整数规划模型，同时进行了方案有效性过滤，减小了解空间，量化了模糊决策，设计了嵌入模糊决策规则的遗传算法（软计算方法），使得算法具有比普通遗传算法更好好的寻优能力，在大规模问题求解上，该算法具有比分枝定界法更快的速度，结果表明了模型和算法的有效性和应用潜力。     

一种模糊神经网络学习算法:移动小论域法

提出了一种T-s模糊神经网络在线学习算法：移动小论域法，解决非线性控制对象的在线辨识的精度和实时性问题。该算法是在前后件参数可分离的离线混合学习算法基础上，通过分析隶属函数类型及论域模糊子集划分稠必程度对辨识精度的影响后提出来的。不同于传统模糊化进程，此法使用了移动的小论域窗口在此窗口上划分较少的模糊子集技术产生网络前件模糊化参数，解决了模糊神经网络学习中精度和实时性相互制约的矛盾。仿真结果证实该算法精度高，实时性好。     

一种规则简化的模糊神经网络控制器

构造了一种实时模糊神经网络控制器，为解决模糊规则组合爆炸问题提供一个新方案。控制器基于T-S模糊模型，由前后件分离的网络结构实现。前件参数通过移动小论域法创建，每个变量仅在工作小论域上生成两个模糊子集，有效减少模糊规则，增强实时性；后件参数通过有ki,kp,kd修正因子的BP改进算法在线更改，控制意义明确，确保系统动态性能。仿真结果证实该控制器实时性好，控制性能优，鲁棒性强。     

高层建筑风振反应的T-S模糊控制

研究了高层建筑在顺风向脉动风荷载激励下T—S模糊控制问题。受控结构为拟建于澳大利亚Melboume的一幢钢筋混凝土结构办公楼，高306米，总共76层，控制设备为安装于结构最顶层的主动调谐质量阻尼器，主动控制力由T—S型模糊控制器求得。选取LQG控制的仿真结果为T—S模糊控制器的学习样本，采用减法聚类法和混合学习算法对T—S模型进行结构与参数辨识，通过改变结构刚度束检验模糊控制器的鲁棒性。仿真结果表明：T—S模糊控制器鲁棒性好，控制效果能够满足高层建筑风振舒适度的要求；与Mamdani型控制器相比，在线计算时间短，无计算时滞问题。     

间歇过程模糊预测学习控制器的设计与仿真

针对工业间歇过程的控制问题，分析比较了现有的两类反馈-前馈迭代学习算法在解决工业间歇过程控制系统滞后问题上的缺陷，采用T-S模糊预测模型，在原有反馈-前馈迭代学习算法基础上引入预测思想，研究了基于模糊预测的迭代学习算法，并设计了一种模糊预测学习控制器。以具有滞后、变参数特性的间歇过程为例，进行了仿真研究，验证了提出方法的有效性。     

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能，直接甲醇燃料电池（DMFC）堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法，避开了电堆的内部复杂性；在控制过程中，将训练好的网络模型作为DMFC控制系统的参考模型，采用一种改进的模糊遗传算法（FGA）在残对神经模糊控制器的参数进行自适应调整。采用最近邻聚类算法小（NNCA）对控制器的模糊规则库进行更新。在仿真实验中，将所提出的算法与非线性PID和传统模糊算法进行比较，结果表明所设计的神经模糊控制器具有较好的性能。     

无需量化因子的模糊直接逆控制

针对模糊控制中量化因子难以确定以及无先验知识情况下模糊控制器结构和参数难以得到问题，提出了一种无量化因子和不依赖专家经验知识的模糊直接逆控制方案，克服了传统模糊规则基的得到过分依赖专家知识的弱点，控制器的规则基不采用规则的三角形形式，而是采用与实际更加接近的无规则三角形，规则基的得到不依赖已知经验，而是根据系统输入输出信息，利用进化规划离线对控制器规则基的结构和参数同时优化、实际控制中利用优化的规则基对系统进行控制，实时控制算法的运算时间仅为一组规则基的计算时间，大大加快了系统的响应速度，仿真结果验证了算法的有效性。     

有效的混合量子遗传算法

提出了一种可控旋转门操作及新的算法终止条件.可控旋转门操作使得几率幅值不仅可以收敛到0或1,还可以收敛到ε(1-ε),有利于算法跳出局部最优;而新的终止条件是利用种群的聚拢因子和量子位收敛因子而设定,使得终止参数γ尽可能地少受几率幅值干扰,更好地控制所得好解与其运行时间的关系.另外,把单纯形法作为局部搜索策略,利用其强方向性,使得算法效率有较大提高.最后的理论分析证明了新算法的全局收敛性,而数值实验在相应指标性能的对比上再次表明该算法有较快的收敛速度和较高的收敛精度.