模糊控制的发展及其应用

模糊控制的发展及其应用

1fuzzy control）是以模糊集理论、模糊语言变量和模糊控制逻辑推理为基础的一种智能控制方法，从行为上模拟人的思维方式，对难建模的对象实施模糊推理和决策的一种控制方法。模糊控制作为智能领域中最具有实际意义的一种控制方法，已经在工业控制领域、电力系统、家用电器自动化等领域中解决了很多的问题。

一．模糊控制的发展

1 模糊控制的产生与发展

1965 年，美国加利福尼亚大学l.a.zadeh 教授在他的《fuzzyset》中首先提出了模糊数学的概念。随之，模糊控制理论及其应用也迅速发展起来。1974 年，e.h.mamdan 2

蒸汽机使用了24 条”if a then b then c”形式的语言规则实现了控制。1975-1976 年，荷兰、丹麦等国家在工业过程中应用了模糊控制，取得了满意的成果。1975 年英国的p.j.king 和e.h.mamdani 将模糊控制系统应用于工业反应过程的温度控制。1983 年，日本日立制造厂系统开发研究所的安信等人，用预测模糊控制方法对电气铁路列车的运行和停止进行控制。日本富士电机公司、明电舍公司、立石电机公司分别在1987 年-1989年生产出通用模糊控制器及相

3

研制成功。

表1 模糊控制的应用领域发展过程

2 模糊控制的优缺点

［4

就是一种不精确的控制规则。如果用模糊数学将其定量化就转化为模糊控制算法，从而形成了模糊控制理论。它有如下优点：（1）无需知道被控对象的数学模型；（2）是一种反映人类智慧四维的智能控制；（3）易被人们所接受；（4）构造容易；（5）鲁棒性好。模糊控制的主要缺点是：（1）信息简单的模糊处理将导致系统的控制精度降低和动态品质变差；（2）控制器设计尚缺乏系统性。

3 模糊控制急需解决的问题

模糊控制理论经过近几十年的发展，也还存在一些不足，还有一些亟待解决的问题，归纳如下：（1）要揭示模糊控制器的实质和工作机理，解决稳定性和鲁棒性理论分析；（2）模糊控制和传统控制的鲁棒性的对比关系究竟是怎么样，尚缺少理论分析和数学推导方面的比较；（3）如何衡量一个模糊控制系统的功能稳定性问题，最优化问题该如何评价；（4）在模糊运算中似乎丢失了大量信息却又能获得优于控制的良好控制效果起控制作用的因素是什么，模糊运算中的信息损失应否设法修正或补偿；（5）模糊控制规则和隶属度函数的获取与确定是模糊控制中的”瓶颈”问题。

4 模糊控制的发展前景

在模糊控制的发展初期，大多数学者的主要精力放在模糊控制的应用研究上，在很多领域取得辉煌的成果。但与应用的成果相比，模糊控制的系统分析和理论研究却没有显著进展，以至于西方的一些学者对模糊控制的理论依据和有效性产生疑虑。1993年7月，在美国第十一届人工智能年会上，加州大学圣地亚哥分校计算机科学和工程系助教授Clarles Elkan博士的一篇题为“模糊逻辑似是而非的成功”报告，就代表了这种思想。虽然 C.Elkan 的一些观点是不确切和片面的，会后很多专家对此进行了批驳，但他确确实实指出了模糊控制理论基础不够坚实的缺点，从而引起了模糊控制领域的学者的广泛关注并加强了对这一方面的研究。通过上节的介绍可以看到，目前模糊控制的理论研究很热，并已取得了许多显著进展，模糊控制在理论上和应用方面都取得了巨大成就。虽然模糊控制技术发展历史只有三十年，本身还有待于完善，理论与实际的结合也有待于进一步探索，但是其发展前景十分诱人。

目前在国际大趋势的推动下，模糊控制已开始向多元化和交叉学科方向发展。国外专家预言：模糊技术、神经网络技术、混沌理论作为人工智能的三大支柱，将是下一代工业自动化的基础。随着模糊控制理论研究的不断完善和应用的广泛深入、高性能模糊控制器的研究开发，模糊控制技术将会更大限度地发挥其优势，为工业过程控制、运动控制和其它领域的控制开辟新的应用前景。

二．模糊控制的应用

1 模糊控制与神经网络(NN)的结合

神经网络是由大量的简单处理单元构成的非线形动力系统，能映射任意函数关系，且具有学习性，能处理不完整、不精确的、非常模糊的信息。模糊控制和神经网络之间具有很强的互补性，一方面对神经网络来说知识抽取和知识表达比较困难，而模糊信息处理方法对此却很有效；另一面，模糊模式很难从样本中直接学习规则，且在模糊推理过程中会增加模糊性，但神经网络能进行有效地学习，并且采用联想记忆而降低模糊摘[6]。由此可见，神经网络适合于处理非结构化信息，而模糊模式对处理结构化的知识更有效。模糊控制与神经网络的融合系统是一种自适应模糊控制系统。目前，实现模糊控制的神经网络从结构上看主要有两类，其一是在神经网络结构中引入模糊模式，使其具有处理模糊信息的能力，如把神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算以构成模糊神经元；其二是直接利用神经网络的学习功能及映射能力，去等效模糊控制中的模糊功能块，如模糊化、模糊推理、反模糊化等，目前研究应用最为广泛的ANFIS模糊神经网络就属于这一类。ANFIS网络一般由五层前向网络组成，每层都有明确的含义，第一层为输入层；第二层计算隶属度函数；第三层计算每条规则的使用度；第四层进行归一化计算；第五层实现清晰化即解模糊化。ANFIS网络所包含的信息能够清晰地获得，克服了BP网络黑箱型操作的不足[7]。

采用神经元网络实现的模糊控制，对于知识的表达并不是通过显式的一条条规则，而是把这些规则隐含地分布在整个网络之中。在控制应用中不必进行复杂费时的规则搜索、推理，而只须通过高速并行分布计算就可产生输出结果，这在某种意义上与人的思维更为接近。

2 模糊控制与遗传算法（GA）的结合

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，由美国Michigan大学的Holland教授首先提出。选择、交叉和变异是遗传算法的三个主要操作算子，它们构成了所谓的遗传操作[10]。遗传算法主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，这使得它可以高效率地发现全局最优解或接近最优解，并避免陷入局部最优解，而且对问题的初始条件要求较少。

目前利用遗传算法优化模糊控制器时，优化的主要对象是隶属函数和模糊控制规则集。根据优化对象的不同，现有的研究可分为以下几种类型：

①已知模糊控制规则，利用GA优化隶属函数

一般先设定隶属函数的形状，实践表明，三角形型、梯形型、高斯型等比较简单的隶属函数即可满足一般模糊控制器的需要。设定隶属函数形状后，确定待寻优的隶属函数参数，一般高斯型有2个参数，三角形有3个参数，梯形有4个参数。利用已有知识确定各参数的大致允许范围，并对参数进行编码，将所有的待寻优参数串接起来构成一个个体，代表一个模糊控制器。然后建立一定的性能指标，最后便可利用遗传算法的一般步骤进行寻优。

②已知隶属函数，利用GA优化模糊控制规则

事先确定输入输出隶属函数的形状和各参数，将每个输入输出变量划分

为一定数量的模糊子集，从而确定最大可列举规则数，将一个规则表按一定的顺序展开为一维，并编码为一个个体。随机地选择一定数量的个体作为初始群体，对这些个体进行遗传操作，实现控制规则的优化[8]。

③同时优化隶属函数和模糊控制规则

隶属函数和模糊控制规则不是相互独立而是相互联系的，因此很多学者认为固定隶属函数优化模糊控制规则或固定模糊控制规则优化隶属函数的做法人为地割裂了这种联系，使优化得到的隶属函数或控制规则失去了原来的意义，建议应该同时对二者进行调整，并在这方面做了一些工作。

3 模糊混沌控制技术

混沌理论是70 年代建立起来的，它和“模糊”、“神经网络”成为新型智能计算机的支柱．混沌是确定性非线性系统产生的不确定现象．它具有无序、非线性、变化、有涨落起伏的特点．混沌模糊控制器根据混沌理论建立被控对象负荷与干扰动态的时间序列模型，用这个模型对负荷与干扰变化进行预测值运算，

再以此预测值作为基于模糊推理的前馈控制部分的输入．混沌预测具有非常高的预测精度，混沌模糊控制器具有对被控对象的负荷与干扰的预测特征.

4 模糊粗糙控制技术

粗糙理论及其数学方法是波兰学者Pawlak Z 于1982 年所创立，它是处理不确定性问题的一种方法．在对事物进行分类时，按照事物的某些属性，某事物可能属这一类，但也可能属于另一类．如何利用事物的各种属性对事物进行分类，是粗糙理论的研究对象．它主要的特点是：不需要提供除问题所需处理的数据

之外的其它任何先验信息．粗糙理论对不确定性的度量，是在对整体数据分析处理后自然获得的，无需对局部数据给予主观评价．而模糊理论对模糊集合的隶属函数的确定带有较大的人为经验．因此相对而言，在处理不确定性问题时，粗糙理论的客观性强一些．粗糙控制也是基于知识、规则的控制，它比模糊控制更加简单、迅速，容易实现．在粗糙控制过程中，将一些有代表性的状态以及操作人员在这些状态下所采取的控制策略，应用粗糙集理论去处理，分析操作

人员在什么条件下采用什么控制策略，总结出相应的控制规则．它的控制算法可以完全来自数据本身，其决策与推理过程与模糊控制或神经网络控制相比，更容易被检验和证实．将模糊粗糙理论方法应用于控制技术，这无疑也将是一种新的控制技术，很值得进一步研究．

5 模糊控制中的软计算融合技术

软计算与传统“硬计算”不同的地方在于，软计算允许存在不精确和不确定性，它是若干种方法的协作体．这些协作技术有模糊逻辑、神经网络、遗传算法、粗糙集、随机推理，还包括了最近开发的包含数据的推理、置信网络、混沌系统、不确定管理和部分学习理论．软计算的指导思想是开发利用不精确、不确定性的容忍技术方法，以获得易处理、求解成本低，并能很好与实际融合的方法

软计算中的模糊逻辑、神经网络、遗传算法和其它技术方法是互补的．模糊逻辑是很好的处理不精确和不确定性的工具，神经网络具有很好的自学习功能，遗传算法能很好地搜索和优化算法．它们结合起来，提高了系统的功能．当前，软计算中各种算法的协作和融合技术是十分活跃的研究领域，虽然已有很大的发展，

但总体上仍处于起步状态，尚需进一步研究．

参考文献：

[1] Zadeh LＡ．Fuzzy Sets[J]．Inf．Sci．，1965（4）：338-353．

[2] 章卫国．模糊控制理论与应用[M]．西安：西北工业大学出版社，2000．

[3] 陈霞，陈广林．模糊控制理论的发展与应用[J]．煤矿现代化，2004（3）：34．

[4] 胡玉玲，曹建国．基于模糊神经网络的动态非线性系统辨识研究[J]．系统仿真学报，2007，19（3）：560-563．

[5] 顾峻．遗传算法对模糊控制的优化及其应用[J]．东南大学学报，1998（增刊）：109-119．

[6] 郭庆祝，孟维明．模糊控制技术发展现状及研究热点[J]．Extention 广角，2005（4）：70-72．

[7] 付华，杜维．利用遗传算法优化模糊控制器综述[J]．石油化工自动化，2001（1）：24-26．

[8] 陈世权，吴今培，肖建华．模糊控制的若干问题[J]．五邑大学学报，1999，13（3）：36-38．

[9] 高桂革．模糊控制理论及其应用的发展[J]．上海机电学院学报，2005，8（5）：64-68．

[10] 崔涛，赵莉．模糊控制理论和应用的发展概况[J]．自动化仪表，2002，23（7）：2-3．

[11] D E Rumelhart,G E Hinton,R J Wiliams.learning representations by back-propagating errors[J].Nature,1986,323(9):533-536

[12] S Chen,S A Biling,C F N Cowan.Practical identification of NARAM models using radial basis functions[J]. INT.j.control, 1990, 52(6) : 1327-1350

[13] 余涛,于文俊,李章文. 基于Q学习算法的变论域模糊控制新算法[J]. 控制理论与应用. 2011 (11)

[14] 刘石安. 电火花伺服进给模糊控制器制备方法[J]. 华侨大学学报(自然科学版). 2011 (06)

[15] 李建. 基于单片机的电阻炉模糊控制[J]. 科技广场. 2011 (09)

[16] 黄登峰,陈力. 漂浮基空间机械臂姿态、关节协调运动的模糊小波神经网络控制[J]. 空间科学学报. 2011 (06)

[17] 李医民,杜一君. 区间Type-2 T-S间接自适应模糊控制[J]. 控制理论与应用. 2011 (11)

[18] 郝娟芳. 模糊PID控制技术在烧结配料控制系统中的应用[J]. 包钢科技. 2011 (05)

[19] 王俊,程良伦. 瓦楞纸板纵切压线刀具转速的模糊控制[J]. 化工自动化及仪表. 2011 (11)

[20] 张根宝,庞苏娟. 模糊控制技术在电子皮带秤中的应用[J]. 化工自动化及仪表. 2011 (10)

[21] 郭玉刚. 模糊控制在蓄热式加热炉中的运用[J]. 工业炉. 2011 (06)

[22] 刘介源,王击,郭琳. 模糊控制理论在污水厂节能改造中的应用[J].

仪器仪表用户. 2011 (06)

[23] Yue LU ,Yong LI,Ming-ji LIU College of Mathematics,Jilin University,Changchun 130012,China. The Monotone Method for Controllability of the Nonlinear Evolution Systems[J]. Acta Mathematicae Applicatae Sinica(English Series). 2011 (04)

[24]Parallel fuzzy rule learning using an ACO-based algorithm for medical data mining

Fathi Ganji, M.; Abadeh, M.S.

IEEE Conference Publications

[25]Genetic Network Programming based data mining method for extracting fuzzy association rules

Taboada, K.; Gonzales, E.; Shimada, K.; Mabu, S.; Hirasawa, K.

IEEE Conference Publications

[26]Efficient fuzzy rule generation based on fuzzy decision tree for data mining

Myung Won Kim; Joong Geun Lee; Changwoo Min

IEEE Conference Publications

[27]Creating Fuzzy Decision Algorithms Using Genetic Program Based Data Mining Program

Smith, J.F.; Nguyen, T.H.

IEEE Conference Publications

[28]Fuzzy Control of Underwater Robots Based on Data Mining

Xiao Ming; Sun Yushan; Guo Bingjie; Wang Bo

IEEE Conference Publications

[29]Constructing rule-bases by self-learning in fuzzy control systems Armensky, E.V.; Neroda, V.Y.

IEEE Conference Publications

[30]Data Mining based on applying genetic algorithm for extracting rules from a BDB Neural Network

Jing-min Wang; Lin Chen

IEEE Conference Publications