基于局部搜索法的倒立振子模糊控制器改進研究.pdf

1、人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIALNEURALNETWORK)是信息科學與高技術(shù)研究領(lǐng)域中一門令人矚目的新興學科，它是一種在對人腦組織結(jié)構(gòu)和運行機制的認識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的工程系統(tǒng)。近年來，模糊神經(jīng)網(wǎng)絡(luò)因為其在機械、航天控制領(lǐng)域里的獨特優(yōu)勢而成為該領(lǐng)域一個新的研究熱點。隨著諸如城市地鐵系統(tǒng)、核反應(yīng)控制系統(tǒng)和汽車傳動控制系統(tǒng)的研究日趨完善，基于模糊控制方法的應(yīng)用也日益增多，人們對模糊控制網(wǎng)絡(luò)的設(shè)計與實現(xiàn)也進行了更為深入的研

2、究。 在神經(jīng)網(wǎng)絡(luò)控制領(lǐng)域，倒立振子控制問題因為其代表性和復(fù)雜性，一直是一個典型的熱點和難點問題。因此，神經(jīng)網(wǎng)絡(luò)控制領(lǐng)域里每一種新方法的提出，都傾向于把能否有效解決倒立振子控制問題作為衡量算法是否有效的一個標準。就目前的研究情況來看，已經(jīng)提出了很多方法來解決這一課題，其中包括Anderson的AHC(AdaptiveHeuristicCritic)方法；PengJ的基于動態(tài)規(guī)劃的學習方法；反饋BP網(wǎng)絡(luò)算法；傳統(tǒng)的局部搜索算法，Q學

3、習算法，智能控制規(guī)則算法和李德毅教授的云模型控制方法等。但是，在既有的這些方法中，都存在一定的缺陷，比如AHC方法不能有效解決網(wǎng)絡(luò)陷入局部最小值問題，基于動態(tài)規(guī)劃的方法收斂速度較慢，超過了實際應(yīng)用中可以忍受的時間維度，而傳統(tǒng)的局部搜索算法又不能成功解決初始大角度控制問題。 在本論文中，我們借鑒了前人控制模型和算法的有益經(jīng)驗，同時針對以往既有算法的缺點，提出一種改進的網(wǎng)絡(luò)控制模型和算法解決方案來解決倒立振子控制問題。我們的創(chuàng)新工作

4、主要體現(xiàn)在兩個方面，一方面是對于模糊控制模型規(guī)則的重新構(gòu)建，在前人提出ULR算子的基礎(chǔ)之上，我們對以往的兩模糊態(tài)四規(guī)則的傳統(tǒng)模型進行了重新細化，構(gòu)建出四模糊態(tài)十規(guī)則的模糊控制模型，從而使控制過程更為精確和靈敏，加快了控制速度。另外一方面是對于控制算法的改進研究，我們針對傳統(tǒng)局部搜索算法常常陷入局部最小值而導(dǎo)致學習失敗的弊端，提出了改良局部搜索算法，這種方法通過將學習過程中的固定步長改為可變步長，有效解決了模糊控制網(wǎng)絡(luò)經(jīng)常陷入局部最小值而

5、導(dǎo)致無法收斂的問題，從而大大提高了神經(jīng)網(wǎng)絡(luò)的學習收斂速度和學習成功率。 本論文首先介紹了與倒立振子控制相關(guān)的神經(jīng)網(wǎng)絡(luò)知識，分析了當前國際上對于倒立振子控制問題的研究現(xiàn)狀以及各種控制方法的優(yōu)缺點。然后詳細闡述了四模糊態(tài)十規(guī)則模糊控制網(wǎng)絡(luò)的構(gòu)建過程，同時給出了控制模型中各層控制參數(shù)獲取的詳細數(shù)學推導(dǎo)。在模型構(gòu)建過程闡述完畢后，我們通過圖示和對比數(shù)據(jù)分析了傳統(tǒng)局部搜索算法的弊端，同時著力描述了我們算法的主要改進思想。最后，我們將通過給