基于遺傳算法的模糊神經網絡控制器在烘干爐溫度控制系統中的設計與仿真1

馬占有

MA Zhan-you

（北方民族大學 基礎教學部，銀川 750021）

基于遺傳算法的模糊神經網絡控制器在烘干爐溫度控制系統中的設計與仿真1

Emulation of fuzzy neural network controller based on genetic algorithms in temperature control of the drying oven

馬占有

MA Zhan-you

（北方民族大學 基礎教學部，銀川 750021）

以烘干爐溫度為被控對象，由于烘干爐溫度控制具有非線性、大滯后和無法建立精確數學模型等特點，傳統的控制器很難達到理想的控制效果，為此設計了一種基于遺傳算法的模糊神經網絡控制器?；谶z傳算法的模糊神經網絡控制器是將遺傳算法的全局尋優和BP算法的在線學習結合起來，先用遺傳算法對神經網絡的參數進行離線訓練，然后再用BP算法對模糊神經網絡控制器進一步在線學習。仿真結果表明，基于遺傳算法的模糊神經網絡控制器與模糊控制、傳統PID控制相比較，改善了系統的動態性能和靜態性能，能使非線性、大滯后等特殊的系統達到良好的控制效果。

烘干爐溫度；遺傳算法；BP算法；模糊神經網絡控制器

0 引言

由于烘干爐溫度的非線性、時變和滯后等特性，難以建立精確的數學模型，傳統控制難以達到滿意的控制效果。而模糊控制不需要建立被控對象精確的數學模型，只要求現場操作人員或相關專家的經驗、知識或者操作數據。然而人們很難根據經驗正確選取控制規則和模糊變量的隸屬度，從而造成了模糊控制規則的不完善，影響了模糊控制的效果。模糊神經網絡將模糊邏輯和神經網絡結合在一起，利用模糊規則對人工神經網絡的結構和參數訓練進行指導，又利用神經網絡的在線自學習自適應能力來確定模糊規則中的隸屬度函數及隸屬度。采用BP算法來在線訓練模糊神經網絡的參數，但BP算法存在收斂速度慢，易陷入局部最小值的問題。遺傳算法提供了一種求解復雜系統優化問題的方法，采用多點并行操作機制尋找全局最優解，收斂速度快，能有效克服BP算法的缺陷。

本文采用遺傳算法優化的模糊神經網絡控制器，將遺傳算法的離線全局尋優及BP神經網絡的實時學習相結合。用該控制器對烘干爐溫度模型進行了仿真，取得了滿意的結果。

1 烘干爐溫度數學模型

烘干爐是電機定子繞組浸漆后的烘干設備，是一種電加熱裝置，具有自平衡能力的對象，可用一階系統純滯后環節表示烘干爐溫度的數學模型。根據所測得烘干爐溫度數據擬合的曲線，利用飛升曲線法求得被控對象數學模型模型的三個參數分別為：被控對象的時間常數，純滯后時間為，靜態增益約為K=4。這樣最終得出烘干爐溫度的模型見公式(1)。

2 模糊神經網絡控制器的設計

模糊控制器是模糊控制系統的核心，一個模糊控制系統的性能優劣主要取決于模糊控制器的結構、所采用的模糊規則、合成推理算法，以及模糊決策的方法等因素。因此，模糊控制器設計一般需要三步：首先選取模糊控制器為二維結構，即輸入變量為誤差e和誤差的變化量ec，輸出為控制量u，然后將這三個精確量模糊化；其次構造模糊控制規則表，來確定輸入量與輸出量對應的模糊關系；最后依據某一規則進行模糊判決，將輸出的模糊控制量轉化為精確值來控制烘干爐溫度。這樣，我們將二維的模糊控制器設計成具有四層結構的模糊神經網絡控制器，結構如圖1所示：

圖1 模糊神經網絡結構

第一層為輸入層：該層的各個結點直接與輸入變量的各分量連接，它起著將輸入值傳送到下一層的作用，該層的結點數共用2個，分別是變量誤差e的模糊量和誤差的變化量ec的模糊量。

第二層為模糊層：該層的每個節點代表一個語言變量值，如NB，PS等。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度函數，2個輸入向量的模糊劃分空間數目都為7，模糊隸屬函數都取高斯函數

式(2)中cij和δij分別是高斯函數的中心和寬度。該層的結點數共用14個。

第三層為模糊規則層：該層中每一個節點代表一條模糊規則，根據輸入樣本模糊空間的劃分確定規則數目，E和EC劃分為7個模糊空間，規則數則為49條。規則層中αi計算如下所示

第四層為輸出層：該層所實現的是解模糊化，即將模糊推理結果轉化為精確值的過程，見公式(5)。

上面所給出的模糊神經網絡本質上是一種多層前饋網絡，可以用多層前向網絡BP算法調整參數的學習。網絡中，除第四層外，各層的連接權值均設定為1。由此可見，該神經網絡的每一層對應于模糊控制器的每一步設計，清晰地反映了模糊推理的全過程，與常規神經網絡不同之處是參數不再是體現于連接權值而反映在連接點上。

3 遺傳算法離線訓練模糊神經網絡控制器

3.1 遺傳算法優化的模糊神經網絡網絡控制器

圖1所示模糊神經網絡中學習優化的參數包括模糊規則層到輸出層的連接權系數 和模糊層高斯隸屬函數的中心 和寬度 。這里用混合算法對模糊神經網絡進行訓練，首先用遺傳算法對模糊神經網絡控制器的連接權系數和隸屬函數進行離線訓練，然后再用BP學習算法對模糊神經網絡控制器的學習參數進行進一步的在線訓練。用遺傳算法優化的模糊神經網絡控制器系統結構如圖2所示。

圖2 遺傳算法優化模糊神經網絡控制器系統結構

3.2 遺傳算法優化模糊神經控網絡制器的步驟

遺傳算法將“優勝劣汰，適者生存”的生物進化原理引入優化參數形成的編碼串聯群體中，按所選擇的適配值函數并通過遺傳中的復制、交叉及變異對個體進行篩選，使適配值高的個體被保留下來，組成新的群體，新的群體既繼承了上一代的信息，又優于上一代。這樣周而復始，使群體中個體適應度不斷提高，直到滿足一定的條件。遺傳算法優化模糊神經網絡控制器的流程圖如圖3所示。遺傳算法優化模糊神經網絡參數的主要步驟如下：

1）編碼和適應度函數的確定

浮點數編碼方法是指個體的每個基因值用某一范圍的一個浮點數來表示，個體的編碼長度等于變量的位數。浮點數編碼由于沒有映射誤差，并且省去了編碼和解碼過程占用的時間，對于連續實數域內的參數優化問題，浮點數編碼優于二進制編碼。適應度函數定義為

其中E=(c'-c)2，c'為期望輸出值，c為網絡實際輸出值。

2）隨機聯賽選擇

隨機聯賽選擇是基于個體適應度之間大小關系的選擇方法。每次選擇時，從群體中隨機選取2個個體進行適應度大小的比較，將其中適應度高的個體遺傳到下一代群體中。將上述過程重復M次，就可以得到下一代群體中的M個個體。

3）交叉和變異操作

交叉重組是遺傳算法中的一個主要環節，交叉操作的作用是組合交叉2個個體中有價值的信息產生新的后代，它在群體進化期間大大加快了搜索速度。交叉概率PC越大，新個體產生的速度就越快，然而PC過大使得具有高適應度的個體結構很快就會被破壞，PC過小，會使搜索過程緩慢，以至停滯不前。一般取PC= 0.5 ～ 0.9。

變異操作的作用是保持群體中基因的多樣性，以防止出現未成熟收斂。變異概率Pm過小，不宜產生新的個體結構，Pm取值過大，遺傳算法就成了純粹的隨機搜索算法。一般取Pm= 0.001 ～ 0.08。

圖3 遺傳算法優化模糊神經網絡控制器的流程圖

4 仿真研究

模糊神經網絡控制器的輸入是誤差e和誤差變化量ec，它們的模糊子集為{ NB，NM，NS，ZO，PS，PM，PB }，這樣模糊神經網絡控制器的結構為2-14-49-1，見圖1。

用遺傳算法優化模糊神經網絡控制器時學習參數分別為群體規模M=60，交叉概率PC=0.65，變異概率Pm=0.008，選擇方法為隨機聯賽。

BP算法在線學習的誤差性能指標函數為：

分別采用傳統PID控制、模糊控制和遺傳算法優化的模糊神經網絡控制相比較,輸入為階躍函數,響應曲線為圖4所示。

圖4 系統仿真響應曲線

從圖4中可以看出，PID控制的響應速度快，但出現較大的超調；模糊控制無超調量，但響應速度慢；遺傳算法優化模糊神經網絡控制器調節時間短、超調量小、穩態誤差小等非常理想的性能指標。

5 結論

文中設計的遺傳算法優化模糊神經網絡控制器利用了模糊控制,BP神經網絡、遺傳算法各自的優點，將遺傳算法用于模糊神經網絡參數的離線全局尋優,將BP算法用于參數的實時學習,兩者的有機結合克服了單獨應用遺傳算法或BP算法調節模糊神經網絡控制器參數存在的缺陷。仿真結果表明，用遺傳算法優化的模糊神經網絡控制器來控制烘干爐的溫度具有更優的控制效果。

[1] 劉金琨.先進PID控制MATLAB仿真(第二版)[M].北京:電子工業出版社,2004.

[2] 趙振宇,徐用愚.模糊理論和神經網絡的基礎與應用[M].北京:清華大學出版社,廣西科學技術出版社,1996.

[3] 于錫玲,柏葳,王艷秋.基于GA和BP算法復合調節的模糊神經網絡控制器[J].遼寧工學院學報,2005,25(2):7-9.

[4] 張鵬,方康玲,鄧華昌.一種基于遺傳算法的模糊控制器研究[J].機械設計與制造,2009,12:18-19.

[5] 師寧,侯國強.基于遺傳算法的模糊神經控制器的設計與仿真[J].河北:理工大學學報(自然科學版),2009,29,(3):69-72.

N945.13

A

1009-0134(2010)11(上)-0212-04

10.3969/j.issn.1009-0134.2010.11(上).68

2010-08-20

北方民族大學校級項目“基于遺傳算法的模糊神經網絡控制器的研究”的研究成果 （2007Y030）

馬占有（1979 -），男，寧夏固原人，講師，研究方向為嵌入式系統和智能控制。