模糊逻辑在控制领域的应用综述
模糊逻辑在控制系统中的应用
模糊逻辑在控制系统中的应用第一章：引言近年来，随着科技的不断发展和智能控制技术的不断突破，控制系统在各个领域得到了广泛应用和不断完善。
而在这一系列技术中，模糊逻辑控制系统已经成为了研究的热点之一。
本章将从控制系统的发展背景和模糊逻辑的概念出发，介绍模糊逻辑在控制系统中的应用重要性和价值。
第二章：控制系统的发展背景控制系统是指通过传感器获取环境信息，然后经过处理和计算，以控制执行器实现对被控制对象的控制和调节。
控制系统的发展源远流长，可以追溯到人工智能的初期。
在传统的控制方法中，控制器通过固定的规则和精确的数学模型来实现对被控制对象的精确控制。
然而，这种传统的控制方法在模糊的环境下表现不佳，对于系统的非线性和不确定性较强的情况下并不适用。
第三章：模糊逻辑的概念及特点模糊逻辑是一种基于模糊集合理论的数学工具，用于处理模糊的、不确定的和模糊的信息。
与传统的二值逻辑不同，模糊逻辑允许信息以模糊的形式处理，并在处理中考虑到信息的不确定性。
模糊逻辑的特点有三个方面：一是具有灵活性和适应性，可以适应不同的环境和应用需求；二是能够处理模糊的、不确定的信息，并能够在信息不完整的情况下做出合理的决策；三是能够模拟人类的思维过程，使得系统的决策更加符合人们的直观判断。
第四章：模糊逻辑在控制系统中的应用非常广泛，具有很高的实用价值。
一方面，模糊控制系统可以通过模糊推理来处理模糊和不确定的输入信息，并输出模糊的控制命令。
这种方式可以提高控制系统对复杂系统的适应能力，使得系统能够在给定的环境下做出更为合理的决策。
另一方面，模糊控制系统还可以通过模糊控制器来实现对多变量和非线性系统的控制。
模糊控制器能够根据系统的输入和输出关系，在不需要准确的数学模型的情况下进行控制，具有一定的鲁棒性和适应性。
第五章：模糊逻辑在工业控制中的应用在工业控制领域，模糊逻辑的应用也是非常重要和广泛的。
例如，在温度控制系统中，模糊控制器可以根据温度的模糊输入和模糊输出关系来实现对温度的精确控制。
模糊算法的简介与应用领域
模糊算法的简介与应用领域模糊算法（Fuzzy Logic）是一种基于逻辑的数学方法，可用于计算机和控制工程中的问题。
Fuzzy Logic是指用于处理不确定性或模糊性问题的逻辑工具。
通过将问题的变量转换为可量化的值，并对变量进行分层，以确定如何进行推理，并进行决策。
模糊逻辑的核心是将不确定性转化为数字，然后使用公式进行操作，以确定结果。
例如，考虑一个简单的问题：如果一个人有160cm，那么这个人是否矮？根据模糊逻辑，这个问题不能被简单地回答“是”或“否”。
相反，问题需要考虑到不同的因素，例如人口统计数据，文化背景和其他因素，以确定是否可以说这个人是矮的。
模糊逻辑可以应用于各种各样的领域，包括工程控制，人工智能，自然语言处理，机器人技术等。
在这些领域中，模糊逻辑被用来处理复杂的系统和问题，并为决策提供精确而可靠的方法。
在工程控制中，模糊逻辑被广泛用于计算机和机器人系统的设计和开发。
例如，在机器人技术领域，模糊逻辑被用来控制机器人的运动和行为，以便机器人能够正确地执行任务。
此外，模糊逻辑也被用于控制汽车，飞机和其他机械设备等的操作。
在人工智能领域，模糊逻辑被用于自然语言处理和模式识别。
模糊逻辑可以帮助计算机系统理解模糊或不确定的语言和概念，并在模式识别方面提供更精确的方法。
在这个领域，模糊逻辑还被用于计算机视觉和图像处理。
在现代社会中，模糊逻辑广泛应用于人们的日常生活中。
例如，在车辆安全系统中，模糊逻辑用于判断车辆的速度和距离，以确定何时应该自动刹车。
此外，在消费电子产品中，模糊逻辑被用于改进电视机和音响系统等的品质。
总之，模糊逻辑是一种强大的工具，可以用于各种领域的问题和应用。
模糊逻辑不仅提供了一种新的方法来处理和解决问题，而且为我们提供了更精确的工具来做出决策。
模糊控制理论及应用
模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。
本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。
一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。
在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。
模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。
最后，通过去模糊化操作将模糊集合转化为具体的输出值。
二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。
1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。
它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。
2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。
通过模糊控制，机器人可以对复杂的环境做出智能响应。
3. 交通控制：模糊控制在交通控制领域中有重要的应用。
通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。
4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。
通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。
5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。
模糊控制可以应对这些问题，提高生产过程的稳定性和质量。
三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。
未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。
通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。
2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。
例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。
3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。
模糊控制原理与应用
模糊控制原理与应用
模糊控制是一种基于模糊逻辑的控制方法，它可以处理那些难以用传
统控制方法精确描述的系统。
模糊控制的基本思想是将输入和输出之
间的关系用模糊集合来描述，然后通过模糊推理来确定控制规则，最
终实现对系统的控制。
模糊控制的优点在于它可以处理那些难以用传统控制方法精确描述的
系统，例如非线性系统、模糊系统、多变量系统等。
此外，模糊控制
还具有较好的鲁棒性和适应性，能够在一定程度上克服系统参数变化
和外部干扰的影响。
模糊控制的应用非常广泛，例如在工业控制、交通控制、机器人控制、医疗诊断等领域都有着广泛的应用。
在工业控制中，模糊控制可以用
于控制温度、湿度、压力等参数，以及控制机器人的运动轨迹和速度。
在交通控制中，模糊控制可以用于控制交通信号灯的时序和周期，以
及优化交通流量。
在医疗诊断中，模糊控制可以用于对患者的病情进
行评估和诊断。
在模糊控制的实现过程中，需要进行模糊化、模糊推理和去模糊化等
步骤。
其中，模糊化是将输入和输出之间的关系用模糊集合来描述，
模糊推理是根据模糊规则进行推理，得出控制结果，去模糊化是将模
糊结果转化为具体的控制量。
总之，模糊控制是一种基于模糊逻辑的控制方法，它可以处理那些难以用传统控制方法精确描述的系统。
模糊控制具有广泛的应用前景，在工业控制、交通控制、机器人控制、医疗诊断等领域都有着广泛的应用。
在模糊控制的实现过程中，需要进行模糊化、模糊推理和去模糊化等步骤。
模糊逻辑控制技术及其应用
模糊逻辑控制技术及其应用
一、模糊逻辑控制技术及其应用
模糊逻辑控制技术是一种新型的、非常有效的工业过程控制技术，它综合了统计学、数学、规则系统、模糊集理论、知识库、优化等多项技术，使用模糊控制模型来准确地模拟实际情况，从而实现了对实际过程的有效控制。
模糊逻辑控制技术主要应用于机械、电力、自动化、航空航天、石油化工、医疗机械、能源等许多领域。
模糊逻辑控制是基于一组规则的模糊控制，它可以设计出能够根据实际情况及时调整控制参数的复杂控制系统，它可以让控制系统更加智能化、灵活性强、可靠性高，能够快速、精确的响应实际系统的变化，较好的满足实际应用的要求。
模糊逻辑控制技术具有以下优点：
1. 模糊逻辑控制可以有效的消除系统中不确定性，使控制量满足实际要求，提高控制精度。
2. 模糊逻辑控制技术对系统的变化响应快，可以根据实际情况实时调整参数，使控制更加准确、灵活。
3. 模糊逻辑控制技术可以有效的缩短设计周期，降低系统维护成本，节省运行成本，提高控制精度。
模糊逻辑控制技术在实际应用中还有许多不足，这也是技术发展的前提，进一步改进模糊控制技术以及更多的应用领域也是当前技术发展的热点。
模糊逻辑算法解析及其使用场景
模糊逻辑算法解析及其使用场景随着人工智能技术的不断发展，模糊逻辑成为了一种重要的算法模型。
模糊逻辑算法的特点是可以将模糊信息进行量化，从而更加准确地进行推理和决策。
本文从模糊逻辑算法的定义、原理和使用场景三个方面进行探讨。
一、模糊逻辑算法的定义模糊逻辑算法是一种处理模糊性信息的数学模型，其核心在于将模糊信息映射成数值，从而实现对该信息的处理。
与传统的布尔逻辑算法不同，模糊逻辑算法允许信息的值域在 0 到 1 之间取任意值，因此可以处理更加复杂的信息，具有更广泛的适用性。
二、模糊逻辑算法的原理模糊逻辑算法的核心在于“隶属度函数”的使用。
隶属度函数是一种将模糊信息映射到实数域的函数，通常用符号μ(x) 表示。
μ(x) 的值代表了某个元素 x 对于一个集合 A 的隶属程度，也就是 x 属于 A 的程度。
例如，在描述“温度”的情形下，我们可以定义一个温度集合 A，然后将任一温度值 x 映射到数值μ(x) ∈ [0,1] 上，表示该值对于集合 A 的隶属程度。
μ(x) 的值越大，x 就越符合集合A 的要求。
根据隶属度函数，我们可以定义出一种新的逻辑运算符号：模糊集合运算。
例如，假设我们有两个温度集合 A 和 B，同时我们有一个温度值 x。
我们可以用μA(x) 和μB(x) 两个值分别表示 x 对于 A 和 B 的隶属度，然后定义出一个“模糊 AND 运算符”：μA(x) ∧ μB(x)。
与传统的 AND 非常相似，当且仅当μA(x) ∧ μB(x) = min(μA(x), μB(x)) > 0 时，x 属于集合A ∩ B。
类似地，我们可以定义出模糊 OR、模糊 NOT 等运算符。
通过这些运算符的组合，我们可以处理模糊信息，实现对于不确定性的判断和决策。
三、模糊逻辑算法的使用场景1. 控制系统模糊逻辑算法在控制系统中应用广泛。
例如，在温度控制的场景下，我们可以根据隶属度函数将温度值映射到数值上，然后根据这个数值执行具体的控制策略。
模糊决策方法及其在控制中的应用
模糊决策方法及其在控制中的应用摘要：模糊决策方法是一种能够处理不确定性问题的有效工具。
本文将介绍模糊决策方法的基本原理，阐述其在控制领域的应用，并通过案例说明其优势和实际效果。
引言随着社会的发展和技术的进步，决策问题愈发复杂，尤其是在控制领域。
由于现实世界中的许多因素是模糊、不确定的，传统的决策方法无法完全满足需求。
因此，模糊决策方法应运而生，成为控制领域的研究热点之一。
本文将深入探讨模糊决策方法的基本原理，并结合实际案例介绍其在控制中的应用。
一、模糊决策方法的基本原理1.1 模糊集合理论模糊集合理论是模糊决策方法的基础。
与传统的集合论不同，模糊集合理论中的元素可具有模糊性。
通过引入隶属度函数，模糊集合可以量化每个元素的隶属程度，从而对模糊性进行描述和处理。
模糊集合理论为模糊决策方法提供了数学基础。
1.2 模糊决策理论模糊决策理论是基于模糊集合理论发展起来的，旨在解决模糊决策问题。
模糊决策方法在决策过程中考虑到了不确定性因素，并通过模糊数学方法进行分析和计算。
常见的模糊决策方法包括模糊综合评价、模糊优化和模糊决策树等。
二、模糊决策方法在控制中的应用2.1 模糊控制系统模糊控制系统是模糊决策方法在控制领域的典型应用。
它通过将模糊集合理论引入到控制系统中，解决了传统控制方法难以处理的模糊问题。
模糊控制系统以模糊规则为基础，通过模糊推理和模糊逻辑运算，实现对控制系统的优化和调节。
2.2 模糊决策支持系统在复杂的决策环境中，模糊决策支持系统可以提供决策者所需的信息和方法，辅助决策过程。
它允许决策者使用模糊数学方法进行决策，并提供决策结果的可视化和解释。
模糊决策支持系统在风险评估、投资决策和供应链管理等方面具有广泛应用。
三、案例分析以某电力系统的运行调度为例，介绍模糊决策方法在实际控制中的应用。
在电力系统的运行调度过程中，存在诸多的不确定性因素，如需求预测的误差、能源价格的波动等。
传统的决策方法无法处理这些不确定性，容易导致系统运行不稳定或效益低下。
模糊控制综述
模糊控制综述综述：模糊控制与传统的控制方法相比，不依赖于精确的数学模型，尤其适合于非线性、时变及时滞系统的控制。
本文首先简要描述了模糊控制的产生背景及其发展过程，并介绍了模糊集合理论及其基本运算。
最后阐述了模糊控制需要解决的问题，并对今后的研究方向进行了展望。
关键词：模糊控制，模糊集合1 引言1.1 模糊控制诞生的背景20世纪中叶以来，在科学技术和工业生产的发展过程中，自动控制理论与技术发挥了巨大的作用，并取得了巨大成就，是现代高新技术的重要手段之一。
随着社会和生产的发展，对自动控制的响应速度、系统稳定性和适应能力有了更高的要求。
传统控制要求被控对象具有确定的、线性化数学模型，而实际被控对象都不同程度存在非线性、建模困难的特点，因此传统控制理论理论和技术难以甚至无法实现对此类过程进行准确的控制，控制研究领域面临新的控制要求的挑战。
2 模糊集合及其基本运算2.1模糊集合的概念定义：论域X上的模糊集合A是用其隶属函数来表征的。
隶属函数为一个映射μA：X→[0,1]。
对于x∈X，μA(x)称为x属于模糊集合A的隶属度，记X上模糊集合的全体为F(X)。
由此可见，模糊集合是经典集合概念的一种推广。
经典集合的特征函数只允许去0或1两个值，即一个元素要么不属于这个集合，要么属于这个集合，没有其他情况。
而模糊集合允许其隶属函数在区间[0,1]上任意取值，即给出了一个元素属于一个模糊集合的程度。
2.2隶属函数的类型与建立1. 隶属函数的类型模糊集合完全可以由其隶属函数来表征，除采用离散的有序数来描述隶属度函数外，更普遍和更方便的是采用定义在实数轴的函数公式来描述。
按照函数的曲线形状，大致可分为三角形，梯形，钟形三种隶属函数。
2. 隶属函数的确定尽管确定隶属函数的方法带有主观因素，但是必然要受到应用对象和应用环境等客观因素的制约。
因此，隶属函数的确定要遵循一定的基本原则，及隶属函数的确定带有主观性，但是同时应具有合理性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊逻辑在控制领域的应用综述
摘要：本文介绍了模糊逻辑控制在工程应用中存在的一些问题，包括模糊控
制规则和参数优化问题、强耦合多变量问题和模糊控制稳态精度问题，另外介绍了在控制领域各方面的应用，比如：自适应模糊控制，模糊滑膜控制，基于Takagi-Sugeno(T-S)模型的控制，三维模糊控制。
关键字：模糊逻辑控制；问题；自适应模糊控制；模糊滑膜控制；基于Takagi-Sugeno(T-S)模型的控制；三维模糊控制
1引言
在现代工业控制领域，伴随着计算机技术的突飞猛进，出现了智能控制的新趋势，即以机器模拟人类思维模式，采用推理、演绎和归纳等手段，进行生产控制，这就是人工智能。
模糊逻辑属于计算数学的范畴，包含有遗传算法，混沌理论及线性理论等内容，它综合了操作人员的实践经验，具有设计简单，易于应用、抗干扰能力强、反应速度快、便于控制和自适应能力强等优点。
近年来，在过程控制、农业生产和军事科学等领域得到了广泛应用。
[1]
2模糊逻辑在应用中的问题
2.1模糊控制规则和参数优化问题
对于复杂的工业控制过程，专家经验知识匮乏且逻辑推理困难，导致模糊控制规则的获取比较困难，难以总结出比较完善的模糊规则，在控制对象的参数发生变化时，严重影响模糊控制系统的效果，在某种意义上模糊控制系统的控制品质和性能与模糊规则的优劣有直接关系，因此优化模糊控制规则就变得尤其重要。
2.2强耦合多变量问题
多变量控制系统是目前过程控制中常见的控制对象，其不同于单变量控制系统。
多变量控制系统中控制对象、控制器、测量元件和执行元件均有可能含有多个输入或输出变量，其结构更为复杂。
变量之间耦合强度较小时比较容易控制，可以以一种线性独立的系统方式进行控制。
各变量之间耦合强度较大时，就不可以忽略耦合对系统控制效果的影响，其严重影响到了控制系统的稳定性。
[2]
2.3模糊控制稳态精度问题
随着工业过程被控对象的控制品质不断提升，对模糊控制稳态精度的要求也不断提高，由于模糊控制系统稳态精度低、存在余差的问题，高精度的模糊控制技术成为研究重点。
模糊控制稳态精度的控制方法有很多，一种比较常用的方法是通过增加不同类别的积分器来避免模糊控制系统的稳态误差，以达到提升稳态精度的目的。
采用在模糊控制系统中增加前馈积分项的方法，在伺服控制系统中取得了理想的稳态精度；也有采用在模糊控制系统中增加动态积分项的方法，当模糊控制系统的误差在一定范围以内，通过增加动态积分项控制系统输出，从而提高了模糊控制系统的性能。
[3]
3模糊逻辑在控制领域的应用
3.1自适应模糊控制
自适应模糊控制器就是在通过控制部分已知系统的同时运用某种自适应机制。
大多数的自适应控制是基于控制系统是线性和简单非线性的假设。
自适应简单的线性系统和特殊的非线性系统自从十九世纪七十年代到十九世纪九十年代就有研究，然而自适应控制一般的非线性系统始终是一个控制领域的一个挑战。
此外，对于非常复杂的非线性系统建立系统的数学模型是不可能的，对于此类系统进行自适应控制很难得到满意的结果。
像神经网络一样，模糊系统在一个紧致的凸区域具有一致逼近任意非线性函数的能力。
基于模糊系统的函数逼近能力，设计了一个对于未知函数的仿射非线性系统自适应模糊控制器，其中基于模糊系统的模糊基函数用于代替未知非线性函数。
基于Lyapunov稳定性理论，建立一些模糊系统的参数自适应准则，其中包括模糊规则中以语言特征的隶属函数，这些关于模糊自适应控制的研究如文献所示。
这些研究的关键部分就是利用线性回归确定未知参数，并且应用一些设计好的自适应控制技术来用模糊系统逼近未知非线性函数。
[4]然而，对于自适应模糊控制器采用一些鲁棒方法来逼近的模糊系统和真实非线性系统之间存在误差。
这样来说，如果不采用额外的控制策略仅仅能得到非线性系统的局部稳定性。
关于自适应模糊控制器研究还有：更少的参数和更好的控制表现的自适应模糊控制器，含有多样外部扰动表现的鲁棒自适应控制器，基因算法自适应隶属函数。
这些自适应方法使得传统的控制理论失去作用，而且大多数设计复杂。
3.2模糊滑膜控制
众所周知，滑膜控制器为含有不确定性的非线性系统提供了一种鲁棒的控制方法但是滑膜控制器用于数字化控制时容易引起震荡。
尽管模糊控制器已经被证明了具有滑膜控制器的一些特性，模糊滑膜控制也可以通过两者结合来体现模糊控制器和滑膜控制器的特性。
一种模糊滑膜控制的设计方法就是用滑膜控制来处理模糊语言信息另一种设计方法是用模糊组成滑膜的有界部分代替滑膜中的转换平面，来消除滑膜控制的震荡，第三种设计方法是用滑膜控制来监督传统的模糊控制来确保模糊控制对闭环系统的鲁棒性，近来有学者已经证明了模糊控制本身可以具有滑膜特性。
[5]模糊滑膜控制的最大的优点是模糊控制的稳定性分析和设计方法可以用滑膜控制器的框架，这样可以借鉴滑膜控制器的完整理论。
然而，模糊滑模控制用于多入多出系统的时候，在控制系统运行中自适应模糊系统的个数较多，因此由于参数自适应的要求造成的运算量是比较大的。
3.3基于Takagi-Sugeno(T-S)模型的控制
T-S模糊模型是一个紧致的模糊动力系统，用模糊规则构成的局部线性系统集合去描述非线性系统，这些规则由光滑的模糊隶属函数构成。
T-S模糊模型提供了一个描述复杂非线性系统的方法，并且用一定量的模糊规则就可以描述高阶非线性系统。
T-S模糊模型有一个好处就是提供了模糊系统的稳定性分析和设计的方法。
第一种T-S模糊控制是对于每一个局部模型设计一个反馈控制，以得到一个联合这些局部控制器的全局控制，再用一些稳定性理论去检测闭环模糊控制系统的稳定性。
第二种T-S模糊控制是用一个名义上在平衡点附近的线性模型代替一个T-S模糊模型，这个模型包含T-S模糊模型的所有非线性部分，这样就转化为含有不确定性因素的线性系统的鲁棒性问题，与此同时很多有关鲁棒性的系统理
论可以用于完善T-S模糊模型。
[6]
3.4三维模糊控制
Type-2模糊集是传统模糊集的扩展，在传统模糊集的基础上增加第二隶属度，使得第一隶属度本身是模糊的，即模糊的模糊集。
跟传统模糊逻辑控制一样，三维模糊逻辑控制系统的基本结构仍然包含模糊化、推理及解模糊化三部分，由于三维模糊控制系统含有空间特征，在具体的操作上跟传统模糊逻辑控制系统有所差异。
三维模糊逻辑控制系统含有对象的空间信息，使得它在本质上能处理空间问题，因而可用于时空稱合的分布参数系统控制。
实际过程中，三维模糊逻辑控制系统主要通过已知空间测量点的值来估计其它没有传感器的空间点位置的值，这种估计会带来一定的估计误差。
假设个传感器分布在有限个空间位置上，则其它没有布置传感器的空间点的状态值只能通过已知测量点的值来估计。
虽然这种三维模糊控制用第二隶属度表征空间信息，但是没有在物理上建立空间信息的隶属度，更不能反映空间造成的模糊特性，而且设计方法也相对复杂。
在本质上是用有限空间点来获取空间信息。
[7,8]
参考文献
[1] 殷霞红，倪建军，吴榴迎．一种基于改进人工蜂群算法的机器人实时路径规划方法［J］．计算机现代化，2015( 3) : 1-4．
[2] 马千知，雷秀娟．改进粒子群算法在机器人路径规划中的应用［J］．计算机工程与应用，2011，47( 25) : 241-244．
[3] 许鸣珠,刘贺平,李申山热轧带钢卷取温度的模糊神经网络预测函数控制,信息与控制,2011,36(6):727一731.
[4] S. Shibaev, G. Mc Ardle, J. Storrs, N. Thomas-Davies and MAST team.Modular software for MAST multi-technology data acquisition system Fusion Engineering and Design. In Press, Corrected Proof, Available online 24 June 2011.
[5] Qu H，Xing K，Alexander T． An improved genetic algo-rithm with co-evolutionary strategy for global path planningof multiple mobile robots ［J］．Neurocomputing，2013，120: 509-517．
[6] 段海滨，张祥银，徐春芳．仿生智能计算［M］．北京: 科学出版社，2011．
[7] Amiri E，Harounabadi A，Mirabedini S． Nodes clusteringusing fuzzy logic to optimize energy consumption in MobileAd Hoc Networks ( MANET) ［J］． Management ScienceLetters，2012，2( 8) : 3031-3040．
[8] Logambigai Ｒ，Kannan A． Fuzzy logic based unequal clus-tering for wireless sensor networks［J］． Wireless Networks,2015:1-13.。