基于遗传算法的模糊控制器参数优化

针对非线性量化因子模糊控制器的参数对系统性能影响和参数间的相互制约,提出了一种基于遗传算法的参数整定与优化方法,并进行了仿真研究。仿真结果表明通过该方法寻优的系统具有更好的响应速度和控制精度;当对象结构或参数发生变化时,非线性量化因子模糊控制器可以重新整定参数,以保持良好的控制效果,具有很强的鲁棒性。     

用遗传算法设计模糊控制器

对遗传算法（ＧＡ）进行改进，将改进后的遗传算法应用到模糊控制器的设计中．以工业过程控制为对象，通过二阶系统模型的计算机仿真表明：改进后的遗传算法比传统方法具有更好的控制性能，可实现模糊控制规则的自校正和量化因子的寻优．     

基于遗传算法的模糊控制器设计

遗传算法是建立在自然选择和自然遗传学机理上的遗传自适应概率性探索算法，对于多变量寻优问题是一种易于实现的、有效的途径，提出了一种基于遗传算法的隶属函数和控制规则的最优设计方法。仿真结果表明，用该方法设计的模糊控制器用较少的模糊变量即可获得良好的性能。     

基于遗传算法的模糊控制器设计

遗传算法是建立在自然选择和自然遗传学机理上的遗传自适应概率性搜索算法 ,对于多变量寻优问题是一种易于实现的、有效的途径 ,提出了一种基于遗传算法的隶属函数和控制规则的最优设计方法。仿真结果表明 ,用该方法设计的模糊控制器用较少的模糊变量即可获得良好的性能。     

模糊控制空调器参数优化的变群体规模遗传算法

提出了一种适合于模糊控制空调器参数优化的变群体规模遗传算法－－VPGA,通过对二维病态且难以极小化的单峰考评函数－－Rosenbrock函数的计算,证明了VPGA较标准遗传算法（SGA）具有较高的全局寻优能力,采用该算法对模糊控制空调器的比例因子进行了优化,并与单形调优法的优化结果进行了对比,结果表明,采用VPGA避免了局部最优问题,同时也提高了收敛速度。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

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.     

基于模糊遗传算法的水轮机调速器参数优化

针对目前使用遗传算法优化水轮机调速器参数存在寻优效率较低这一问题，提出了一种用模糊遗传算法优化水轮机调速器参数的新方法。通过引入自适应变化的变异概率和交叉概率，改善了遗传算法的寻优效率，并提出了分段加权的目标函数以改善水轮机调速器的反冲影响。仿真结果表明，模糊遗传算法寻优效率较简单遗传算法有了大幅提高，具有很强的鲁棒性。     

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。     

一种基于遗传算法的高精度模糊控制器

为了提高模糊控制器调节系统稳态精度的能力，对常规PD型模糊控制器进行分析，找到了产生稳态误差的主要原因。采用根据个体适应度来自适应调节交叉率和变异率的遗传算法来优化模糊控制器中的隶属函数和量化因子的初始值，并同时根据控制查询表的输出在线调整量化因子。理论分析和仿真结果表明这种方法是可行的。     

一种使用遗传算法生成模糊控制器的方法

提出一种使用遗传算法生成模糊控制器的方法．设计人员只需设置性能指数或适值函数,而模糊规则的数目、隶属函数的参数以及模糊控制器的规则都可通过遗传算法自动生成．描述了一种具有局部优化机制的遗传算法,给出的应用实例表明该算法具有良好的适用性     

基于遗传算法的模糊逻辑控制器优化设计

设计了一种新的用于模糊逻辑控制器优化的遗传算法，实现了模糊逻辑控制器参数和结构的同步快速优化。该算法对经典的简单遗传算法进行了改良，设计了一种带区间限制的十进制编码方案，实现了模糊控制器隶属度函数和控制规则的联合编码；并设计了受限分步一致交叉和变异算子，改进了经典赌轮选择法,避免了病态个体产生，加快了收敛速度。通过对典型的一阶和二阶工业对象控制器优化的仿真研究表明，相对于一般的遗传算法，该算法在群体规模较小（20或40）的情况下，能够在20代左右快速收敛到理想结果，并且在进化过程中很少产生病态个体，因此能够在小群体规模下，实现模糊控制器参数和结构的快速同步优化。     

一种基于 GA 的模糊控制器直接设计方法

提出了一种利用计算机设计模糊控制器的直接方法，该方法运用ＧＡ（遗传算法）进行控制器参数寻优，具有设计速度快、人工干预少的特点．仿真说明采用该方法结果优于ＰＩＤ控制．     

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。     

模糊遗传算法的自适应PID控制器

针对遗传算法运算速度慢不利于实时控制现象,提出一种基于模糊推理的遗传算法,并将其应用于自适应PID控制器上．仿真实验表明,该算法具有较好的寻优能力,能满足实时控制的要求。     

基于遗传算法信息组合的自适应模糊控制

利用模糊理论分别建立了与控制对象和控制知识信息相对应的控制系统，应用遗传算法获取2个系统在不同时间段的最佳组合因子，消除了对组合因子赋值的主观性和不准确性．基于李雅普诺夫函数的方法推导了模糊控制系统中参数的自适应控制律，并且证明了系统的稳定性和收敛性．将遗传算法信息组合的自适应模糊控制方法应用在达芬混沌系统的控制中，仿真结果对比表明，虽然组合型自适应控制方法可以有效地控制达芬强迫震荡系统，但文中提出的方法能使各控制状态有界，并且能够迅速准确地跟踪目标．     

Fuzzy Control of Chaotic System with Genetic Algorithm

ＩｎｔｒｏｄｕｃｔｉｏｎＩｎｒｅｃｅｎｔｙｅａｒｓ,ｔｈｅｒｅｈａｓｂｅｅｎｉｎｃｒｅａｓｉｎｇｉｎｔｅｒｅｓｔｉｎｔｈｅａｐ ｐｌｉｃａｔｉｏｎｓｏｆｃｈａｏｓｔｏｔｅｃｈｎｏｌｏｇｙ .Ｏｎｅｏｆｔｈｅｐｒｏｂｌｅｍｓｆａｃｅｄｉｓｔｏｉｎｖｅｓｔｉｇａｔｅｔｅｃｈｎｉｑｕｅｓｆｏｒｅｆｆｉｃｉｅｎｔｌｙｍａｎｉｐｕｌａｔｉｎｇｃｈａｏｔｉｃｓｙｓｔｅｍｓ.Ｓｏｍｅｒｅｓｅａｒｃｈｅｒｓｈａｖｅｐｒｏｐｏｓｅｄｔｏｕｓｅｃｌａｓｓｉｃａｌｍｅｔｈｏｄｓｓｕｃｈａｓｆｅｅｄｂａｃｋｃｏｎｔｒｏｌ[1]…     

并行多种群模糊遗传算法参数

为改善标准遗传算法的求解效率,提出了一种基于6模糊控制器(6FLC-MDPFGA:6 Fuxy Logic Controllers-Multi-Deme Parallel Fuxxy Genetic Algorithm)的并行多种群自适应遗传算法,并利用MPI(Message PassingInterface)技术建立了一个COW(Cluster Of Workstation)集群,将算法在该硬件平台上进行了实现.通过对该算法的迁移率、迁移间隔等并行参数的试验研究,得出了在特定条件下参数选择的经验值和规律,定性分析了不同参数选择对于求解结果的不同影响.在演示算法组合优化实时应用可行性的同时,试验结果可为算法实际应用参数选择提供参考.