模糊控制算法
C实现模糊控制算法
由于工程需要，需要模糊控制算法，之前此类知识为0，经过半个多月的研究，终于有的小进展。
开场想从强大的互联网上搜点c代码来研究下，结果搜遍所有搜索引擎都搜不到，以下本人从修改的模糊控制代码，经过自己修改后可在vc6.0，运行！输入e表示输出误差，ec表示误差变化率，经过测试具有很好的控制效果，对于非线性系统和数学模型难以建立的系统来说有更好的控制效果！现将其公开供大家学习研究！#include <stdio.h>#include"math.h"#define PMAX100#define PMIN-100#define DMAX100#define DMIN-100#define FMAX100/*语言值的满幅值*/int PFF[4]={0,12,24,48};/*输入量D语言值特征点*/int DFF[4]={0,16,32,64};/*输出量U语言值特征点*/int UFF[7]={0,15,30,45,60,75,90};/*采用了调整因子的规那么表,大误差时偏重误差,小误差时偏重误差变化*//*a0=0.3,a1=0.55,a2=0.74,a3=0.89*/int rule[7][7]={//误差变化率-3,-2,-1, 0, 1, 2, 3// 误差{-6,-6,-6,-5,-5,-5,-4,},//-3{-5,-4,-4,-3,-2,-2,-1,},//-2{-4,-3,-2,-1, 0, 1, 2,},//-1{-4,-3,-1, 0, 1, 3, 4,},//0{-2,-1, 0, 1, 2, 3, 4,},// 1{ 1, 2, 2, 3, 4, 4, 5,},// 2{ 4, 5, 5, 5, 6, 6, 6}};// 3/**********************************************************/int Fuzzy(int P,int D)/*模糊运算引擎*/{int U;/*偏差,偏差微分以及输出值的准确量*/unsigned int PF[2],DF[2],UF[4];/*偏差,偏差微分以及输出值的隶属度*/ int Pn,Dn,Un[4];long temp1,temp2;/*隶属度确实定*//*根据PD的指定语言值获得有效隶属度*/if(P>-PFF[3] && P<PFF[3]){if(P<=-PFF[2]){Pn=-2;PF[0]=FMAX*((float)(-PFF[2]-P)/(PFF[3]-PFF[2]));}else if(P<=-PFF[1]){Pn=-1;PF[0]=FMAX*((float)(-PFF[1]-P)/(PFF[2]-PFF[1]));}else if(P<=PFF[0]){Pn=0;PF[0]=FMAX*((float)(-PFF[0]-P)/(PFF[1]-PFF[0]));}else if(P<=PFF[1]){Pn=1; PF[0]=FMAX*((float)(PFF[1]-P)/(PFF[1]-PFF[0])); }else if(P<=PFF[2]){Pn=2; PF[0]=FMAX*((float)(PFF[2]-P)/(PFF[2]-PFF[1]));else if(P<=PFF[3]){Pn=3; PF[0]=FMAX*((float)(PFF[3]-P)/(PFF[3]-PFF[2])); }}else if(P<=-PFF[3]){Pn=-2;PF[0]=FMAX;}else if(P>=PFF[3]){Pn=3;PF[0]=0;}PF[1]=FMAX-PF[0];if(D>-DFF[3] && D<DFF[3]){if(D<=-DFF[2]){Dn=-2;DF[0]=FMAX*((float)(-DFF[2]-D)/(DFF[3]-DFF[2])); }else if(D<=-DFF[1])Dn=-1;DF[0]=FMAX*((float)(-DFF[1]-D)/(DFF[2]-DFF[1]));}else if(D<=DFF[0]){Dn=0;DF[0]=FMAX*((float)(-DFF[0]-D)/(DFF[1]-DFF[0]));}else if(D<=DFF[1]){Dn=1;DF[0]=FMAX*((float)(DFF[1]-D)/(DFF[1]-DFF[0]));}else if(D<=DFF[2]){Dn=2; DF[0]=FMAX*((float)(DFF[2]-D)/(DFF[2]-DFF[1])); }else if(D<=DFF[3]){Dn=3; DF[0]=FMAX*((float)(DFF[3]-D)/(DFF[3]-DFF[2])); }else if(D<=-DFF[3]){Dn=-2;DF[0]=FMAX;}else if(D>=DFF[3]){Dn=3;DF[0]=0;}DF[1]=FMAX-DF[0];/*使用误差围优化后的规那么表rule[7][7]*//*输出值使用13个隶属函数,中心值由UFF[7]指定*/ /*一般都是四个规那么有效*/Un[0]=rule[Pn-1+3][Dn-1+3];Un[1]=rule[Pn+3][Dn-1+3];Un[2]=rule[Pn-1+3][Dn+3];Un[3]=rule[Pn+3][Dn+3];if(PF[0]<=DF[0])UF[0]=PF[0];elseUF[0]=DF[0];if(PF[1]<=DF[0])UF[1]=PF[1];elseUF[1]=DF[0];if(PF[0]<=DF[1])UF[2]=PF[0];elseUF[2]=DF[1];if(PF[1]<=DF[1])UF[3]=PF[1];elseUF[3]=DF[1];/*同隶属函数输出语言值求大*/ if(Un[0]==Un[1]){if(UF[0]>UF[1])UF[1]=0;elseUF[0]=0;}if(Un[0]==Un[2]) {if(UF[0]>UF[2])UF[2]=0; elseUF[0]=0;}if(Un[0]==Un[3]) {if(UF[0]>UF[3])UF[3]=0; elseUF[0]=0;}if(Un[1]==Un[2]) {if(UF[1]>UF[2])UF[2]=0; elseUF[1]=0;}if(Un[1]==Un[3]){if(UF[1]>UF[3])UF[3]=0;elseUF[1]=0;}if(Un[2]==Un[3]){if(UF[2]>UF[3])UF[3]=0;elseUF[2]=0;}/*重心法反模糊*//*Un[]原值为输出隶属函数标号，转换为隶属函数值*/ if(Un[0]>=0)Un[0]=UFF[Un[0]];elseUn[0]=-UFF[-Un[0]];if(Un[1]>=0)Un[1]=UFF[Un[1]];elseUn[1]=-UFF[-Un[1]];if(Un[2]>=0)Un[2]=UFF[Un[2]];elseUn[2]=-UFF[-Un[2]];if(Un[3]>=0)Un[3]=UFF[Un[3]];elseUn[3]=-UFF[-Un[3]];temp1=UF[0]*Un[0]+UF[1]*Un[1]+UF[2]*Un[2]+UF[3]*Un[3]; temp2=UF[0]+UF[1]+UF[2]+UF[3];U=temp1/temp2;return U;}void main(){int a=0,e,ec;/*int nowpoint,p1,p2=1;FILE *in,*out;in=fopen("in.txt","r");out=fopen("out.txt","w");*///while(!feof(in))while(1){//fscanf(in,"%d",&nowpoint);//p1=nowpoint;//e=0-nowpoint;//ec= p1-p2;printf("请输入e:");scanf("%d",&e);printf("请输入ec:");scanf("%d",&ec);a=Fuzzy(e,ec);//fprintf(out,"%d",a);//printf("%d:",p1);printf("e: %d ec: %d",e,ec); printf("a: %d\n",a);//p2=p1;}//fclose(in);//fclose(out); }。
模糊控制算法
模糊控制算法
模糊控制系统的组成
模糊集合论基础
• 集合是具有某种性质的一类确定对象的整体。 并称组成这一整体的一个个对象为其元素。 • 经典集合论中集合和元素的关系是要么“属 于”，要么“不属于”，二者必居其一。 • 通过某些集合的运算来表示的集合。并、交、 补等等。
但是在现实中有许多元素和集合之间并不是简单的“属 于”和“不属于”的关系，其外延具有不确定性。只能 够在多大程度上接近一种状态，这个接近的程度就是隶 属度，隶属度的值在[0 1]之间，而对象的集合叫论域。
u
1 2 3
v
1 0.8 0.7 0.2
2 0.6 0.6 0.2
3 0.4 0.4 0.2
4 0.2 0.2 0.2
1 A × B( A− > B ) = 0.7 [ 0.8 0.6 0.4 0.2] 0.2
0.8 0.6 0.4 0.2 = 0.7 0.6 0.4 0.2 0.2 0.2 0.2 0.2
F = ∑ µ F (ui ) / ui
i =1
n
例 考虑论域 U={0,1,2,……10}和模糊子集F“接近于0的整 数”，它的隶属度函数表示法
F = 1.0 / 0 + 0.9 /1 + 0.75 / 2 + 0.5 / 3 + 0.2 / 4 + 0.1/ 5
序偶表示法：
F = {(u1 , µ (u1 )), (u 2 , µ (u 2 )), LL (u n , µ (u n ))
u4
u1
u2
u3
u4
u5
A I B=
0.6 ∧ 0.5 0.5 ∧ 0.6 1 ∧ 0.3 0.4 ∧ 0.4 0.3 ∧ 0.7 0.5 0.5 0.3 0.4 0.3 + + + + = + + + + u1 u2 u3 u4 u5 u1 u2 u3 u4 u5
模糊控制算法实例解析(含代码)
模糊控制算法实例解析（含代码）
首先来看一个实例，控制进水阀S1和出水阀S2，使水箱水位保持在目标水位O处。
按照日常操作经验，有以下规则：
1、若当前水位高于目标水位，则向外排水，差值越大，排水越快；
2、若当前水位低于目标水位，则向内注水，差值越大，注水越快；
3、若当前水位和目标水位相差很小，则保持排水速度和注水速度相等。
下面来设计一个模糊控制器
1、选择观测量和控制量
一般选择偏差e，即目标水位和当前水位的差值作为观察量，选取阀门开度u为控制量。
2、输入量和输出量的模糊化
将偏差e划分为5个模糊集，负大(NB)、负小(NS)、零(ZO)、正小(PS)、正大(PB)，e为负表示当前水位低于目标水位，e 为正表示当前水位高于目标水位。
设定e的取值范围为[-3，3]，隶属度函数如下。
偏差e对应的模糊表如下：隶属度
变化等级-3 -2
-1
1
2
3模糊集
PB 0 0 0 0 0 0.5
1PS 0
0 0.5 1 0.5 0ZO
0 0.5 1 0.5 0
0NS
0 0.5 1 0.5 0
0NB
0.5 0 0 0 0 0。
PID及模糊控制算法
PID及模糊控制算法背景介绍PID控制是一种常见的控制方法，它通过不断调整系统的输出使得系统的反馈信号与参考信号趋于一致。
控制器的功能是计算出控制信号使得系统输出与参考信号的差值最小化。
PID控制器可以广泛应用于机械、电子、化工、航空等领域。
虽然在实际控制中，PID控制器的效果非常好，但是在某些场合，PID控制器无法满足要求。
因此，近年来，模糊控制算法得到了广泛发展和应用。
模糊控制算法采用模糊逻辑建立控制系统，能够处理一些非线性、复杂的系统，并且控制效果也非常不错。
PID控制算法PID控制器是由比例环节（P）、积分环节（I）和微分环节（D）组成的。
PID 控制器的原理如下：1.假设系统的输出为y，参考信号为r，控制器的输出为u；2.平衡方程为：u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt；其中e(t)= r(t) - y(t)；3.将u(t)作为系统输入控制器，通过调节Kp、Ki和Kd参数使得系统输出y(t)达到参考信号r(t)；4.在实际应用中，PID控制器常根据具体需要对Kp、Ki和Kd参数进行调整。
虽然PID控制器能够有效地控制系统，提高系统稳定性和精度，但是在一些非线性、时变、复杂的系统中，其控制效果并不理想。
模糊控制算法模糊控制算法是一种基于模糊逻辑的控制算法，它通过建立模糊推理规则，实现输出和输入的模糊化和去模糊化。
模糊控制器的基本结构如下：1.模糊化：将输出和输入变量映射为模糊集合，通过模糊运算得到规则库中的模糊。
2.规则库：建立模糊推理规则，将模糊化的输出和输入变量映射到规则库中，得到模糊。
3.去模糊化：将模糊映射为实际控制信号，并输出到被控制系统。
模糊控制算法能够有效地处理非线性、复杂的控制问题，并且其控制效果也非常优秀。
尤其是在多变量控制、非线性控制、自适应控制等方面得到了广泛应用。
模糊PID控制算法模糊PID控制算法综合了PID控制算法和模糊控制算法的优点，是一种非常优秀的控制方法。
模糊逻辑与模糊控制算法的发展趋势
模糊逻辑与模糊控制算法的发展趋势在当今信息时代，人工智能（AI）和自动化技术的迅速发展已经改变了许多行业的面貌。
模糊逻辑和模糊控制算法作为人工智能的重要分支之一，在处理不确定性和模糊性方面发挥着关键作用。
随着科技的不断进步和需求的变化，模糊逻辑和模糊控制算法也在不断地发展和创新。
本文将探讨模糊逻辑与模糊控制算法的发展趋势，并对其未来发展方向进行展望。
一、模糊逻辑的发展趋势模糊逻辑是一种能够处理不确定性和模糊性的数学逻辑，它可以更好地模拟人类的思维方式和推理过程。
近年来，随着人工智能技术的广泛应用，模糊逻辑在各个领域展现出了其独特的优势。
1. 智能系统中的应用：随着物联网、大数据和云计算等技术的发展，智能系统在各个领域得到了广泛的应用，而模糊逻辑在智能系统中的应用也越来越广泛。
例如，在智能交通系统中，模糊逻辑可以用于交通信号灯控制、车辆自动驾驶等方面，从而提高交通系统的效率和安全性。
2. 自然语言处理方面的研究：模糊逻辑在自然语言处理领域也有着重要的应用。
它可以帮助计算机更好地理解自然语言中的模糊性和不确定性，从而提高自然语言处理系统的准确性和智能化程度。
3. 医疗诊断与治疗：在医疗领域，模糊逻辑可以用于医学诊断和治疗方面，特别是在处理不确定性较大的疾病诊断时，如癌症诊断、糖尿病管理等。
它可以帮助医生更准确地判断疾病的发展趋势和制定个性化治疗方案，从而提高医疗服务的质量和效率。
二、模糊控制算法的发展趋势模糊控制算法是一种基于模糊逻辑原理的控制方法，它可以应用于各种复杂系统的控制和优化。
随着工业自动化和智能化程度的提高，模糊控制算法在工程控制领域具有重要的应用前景。
1. 工业自动化中的应用：在工业生产过程中，模糊控制算法可以用于控制系统的优化和性能提升。
例如，在自动化生产线上，模糊控制算法可以帮助调节生产过程中的温度、压力等参数，从而提高生产效率和产品质量。
2. 机器人技术领域的发展：随着机器人技术的发展，模糊控制算法在机器人控制和路径规划方面也有着广泛的应用。
模糊控制算法研究
模糊控制算法研究——实验报告一、实验目的1、通过本次综合设计，进一步了解模糊控制的基本原理、模糊模型的建立和模糊控制的设计过程。
2提高学生有关控制系统的程序设计能力。
3熟悉MATLAB语言以及在智能控制设计中的应用。
二、实验内容1、用MATLAB中的SIMULINK工具箱，组成一个模糊控制系统。
如图：2、采用模糊控制算法，设计出能跟踪给定输入的模糊控制器，对被控系统进行仿真，绘制出系统的阶跃响应曲线。
3、改变模糊控制器中模糊变量的隶属度函数，分析隶属度函数和模糊控制规则对模糊控制效果的影响。
三、实验步骤1、启动SIMULINK。
打开MATLAB程序，并在该窗口键入SIMULINK来运行SIMULINK，或单击工具栏上SIMULINK按钮，这时SIMULINK就显示其所包含的子模块库。
2、创建一个新模型。
在FILE菜单中选择NEW-MODEL,SIMULINK就创建一个新的窗口。
3、向窗口复制模块。
例如，复制阶跃输入Step模块，具体操作为：在SIMULINK 窗口中用鼠标单击Source图标，这样就打开了Source Library中所有的模块；要从Source Library中复制Step模块，可以用鼠标单击该模块，然后拖动鼠标把它移到自己的模型窗口中，并在所需要放的位置松开鼠标，这时Step模块就出现在自己的模型窗口中。
其他需要复制的模块可参考上图，这些模块分别在Math库、Continuous库、Discontinuous库、Signal Routing库以及Sink库中找到，方法同Step模块。
在MATLAB的命令窗口输入命令Fuzzy，进入图形用户界面（GUI）窗口。
根据控制规则和所选择的隶属度函数，利用模糊推理系统（FIS）编辑器可以建立一个FIS文件，取名为fuzzycontrol.fis。
在Fuzzy Logic Toolbox中将Fuzzy Logic Controller模块找到，用鼠标将相应模块拖入窗口中即可。
控制系统中的模糊控制算法设计与实现
控制系统中的模糊控制算法设计与实现现代控制系统在实际应用中，往往面临着多变、复杂、非线性的控制问题。
传统的多变量控制方法往往无法有效应对这些问题，因此，模糊控制算法作为一种强大的控制手段逐渐受到广泛关注和应用。
本文将从控制系统中的模糊控制算法的设计和实现两个方面进行介绍，以帮助读者更好地了解和掌握这一领域的知识。
一、模糊控制算法的设计1. 模糊控制系统的基本原理模糊控制系统是一种基于模糊逻辑的控制系统，其基本思想是通过将输入和输出变量模糊化，利用一系列模糊规则来实现对系统的控制。
模糊控制系统主要由模糊化、规则库、模糊推理和解模糊四个基本部分组成，其中规则库是模糊控制系统的核心部分，包含了一系列的模糊规则，用于描述输入和输出变量之间的关系。
2. 模糊控制算法的设计步骤（1）确定输入和输出变量：首先需要明确系统中的输入和输出变量，例如温度、压力等。
（2）模糊化：将确定的输入和输出变量进行模糊化，即将其转换为模糊集合。
（3）建立模糊规则库：根据实际问题和经验知识，建立一系列模糊规则。
模糊规则关联了输入和输出变量的模糊集合之间的关系。
（4）模糊推理：根据当前的输入变量和模糊规则库，利用模糊推理方法求解输出变量的模糊集合。
（5）解模糊：将求解得到的模糊集合转换为实际的输出值，常用的方法包括最大值法、加权平均法等。
3. 模糊控制算法的设计技巧（1）合理选择输入和输出变量的模糊集合：根据系统的实际需求和属性，选择合适的隶属函数，以便更好地描述系统的特性。
（2）精心设计模糊规则库：模糊规则库的设计是模糊控制算法的关键，应根据实际问题与经验知识进行合理的规则构建。
可以利用专家经验、试验数据或者模拟仿真等方法进行规则的获取和优化。
（3）选用合适的解模糊方法：解模糊是模糊控制算法中的一项重要步骤，选择合适的解模糊方法可以提高控制系统的性能。
常用的解模糊方法有最大值法、加权平均法、中心平均法等，应根据系统的需求进行选择。
结合实例完成模糊控制算法的原理与实现
模糊控制算法的原理与实现1. 介绍模糊控制是一种基于模糊逻辑的控制方法，它利用模糊规则来描述和模拟人类专家的经验和知识，以实现对复杂系统的控制。
模糊控制算法是通过模糊推理和模糊辨识来构建模糊控制系统。
本文将详细介绍模糊控制算法的原理与实现。
2. 模糊逻辑基础模糊逻辑是一种适用于处理模糊信息和不确定性问题的逻辑系统。
它是将模糊变量、模糊集合和模糊规则引入传统逻辑中的一种扩展。
模糊变量是指在一定范围内具有模糊性质的变量，模糊集合是指包含了事物之间模糊关系的集合，模糊规则是指用于描述输入与输出之间模糊关系的规则。
3. 模糊推理模糊推理是模糊控制算法的核心部分，它是基于模糊规则和模糊逻辑运算来进行的。
模糊推理过程包括模糊化、模糊规则匹配、模糊逻辑运算和去模糊化四个步骤。
3.1 模糊化模糊化是将实际输入值转换为模糊集合的过程。
通过模糊化，我们可以将精确的输入值映射到模糊集合上，并且可以灵活地描述输入值之间的模糊关系。
3.2 模糊规则匹配模糊规则匹配是将模糊化后的输入值与模糊规则进行匹配的过程。
每条模糊规则都由输入和输出之间的模糊关系构成，通过匹配规则，我们可以得到每条规则的激活度。
3.3 模糊逻辑运算模糊逻辑运算是根据模糊规则的激活度和模糊集合上的运算规则来进行的。
常用的模糊逻辑运算包括模糊交集、模糊并集和模糊推理。
3.4 去模糊化去模糊化是将模糊逻辑运算得到的模糊输出值转换为实际输出值的过程。
通过去模糊化，我们可以将模糊输出值映射到输入值所在的实际输出空间上。
4. 模糊辨识模糊辨识是模糊控制算法的关键步骤，它用于确定模糊控制系统的模糊规则和模糊变量。
模糊辨识可以通过专家经验、试验数据和数学建模等方法来实现。
4.1 专家经验法专家经验法是通过专家的经验和直觉来确定模糊规则和模糊变量。
专家根据对系统的了解和经验，提出一组模糊规则，并定义相应的模糊集合，从而构建模糊控制系统。
4.2 试验数据法试验数据法是通过对系统进行一系列试验，获取输入与输出之间的关系，进而确定模糊规则和模糊变量。