基于改进蚁群算法的模糊控制器优化设计
基于蚁群优化的ESP控制算法仿真
（ ｃ ｏ ｌ ｆＡｕｏ ｂｌ ｎ ｃ ａ ｉａ ｇｎ ｅｉｇ，Ｃｈ ｎ ｓ ａ Ｕｎｖ ｒｉ Ｓ ｈ ｏ ｔ ｍｏ ｉ ａ ｄ Ｍｅ ｈ ｎｃｌＥｎ ｉｅ ｒｎ ｏ ｅ ａ ｇ ｈ ｉｅｓｔ ｙ
ｏ ｃｅ ｃ ｎ ｃ ｎ ｌ ｇ ，Ｃｈ ｎ ｓ ａ ４ ０ ０ ｆ ｉｎ ｅ ａ ｄ Ｔｅ ｈ ｏｏ ｙ Ｓ ａ ｇ ｈ １ ０ ４，Ｃｈ ｎ ） ｉａ
ｖ ｈ ｃ ｅ ｈ ｓ ｐ ｐ ｒａ ｏ ｔ ｕ ｚ ｏ ｔ ｏ ｈ ｏ ｙ ｔ ｋ ｅ ｄ ａ ｋ ｃ ｎ ｒ ｌ ｆｔ ｅ ＥＳ ｙ ｔ ｍ ． ｅ ｉｌ ，ｔ ｉ ａ ｅ ｄ ｐ ｓ ｆ ｚ ｙ ｃ ｎ ｒ ｌ ｅ ｒ ｏ ｍａ ｅｆ ｅ ｂ ｃ ｏ ｔｏ ｈ Ｐ ｓ ｓ ｅ ｔ ｏ Ｆｏ ｒ ｗｈ ｅ ｓ ｖ ｈ ｃ ｅ ｍ ｏ ｅ ｗｉ ｉ ｈ ｅ ｒ ｅ ｆ ｆ ｅ ｄ ｍ ｎ ｍ ｉｅ ｍ ｏ ｅ ａ ｅ ｅ ｔ ｂ ｕ ｅ ｌ ｅ ｉｌ ｄ ｌ ｔ ｅ ｇ ｔ ｄ ｇ ｅ ｓ ｏ ｒ ｅ ｏ ａ ｄ Ｇｉ ｔｒ ｄ ｌ ｒ ｓ ａ — ｈ
纵 向运动方 程为 ：
∑Ｆ玎 一Ｆ 一∑Ｆ － （ 一 ） （ 问－ ｂ ． １ ￣ ｍ ）
式中：
∑Ｆ Ｆ ｏ — 州ｃ ＋ ｃ ＋ 十 ｓ Ｆｌｏ ２ｓ Ｆ
Ｆ们２一 Ｆ ｌｓｎ 一 Ｆ ２ ｉ ． ｌｉ １ｓｎ
空气 阻力方 程 为 ：
基于变异算子改进蚁群算法学习的模糊认知图
基于变异算子改进蚁群算法学习的模糊认知图胡运杰;邓燕妮【摘要】传统的模糊认知图学习算法需要依靠专家知识来建立模糊认知图模型.在专家知识受到限制的一些领域,完全通过数据来学习模糊认知图的算法是有必要的.提出的基于蚁群优化的学习算法,可以有效做到通过历史数据学习模糊认知图;为避免蚁群算法陷入局部最优的问题;以及其学习所得模型不够精确的问题,引入变异算子以改进蚁群算法,来提高算法性能,避免局部最优问题,得到更准确的模型.最后,算法性能在人工数据上进行了测试.实验表明,算法性能良好,可以得到准确的模糊认知图模型.%Traditionally fuzzy cognitive maps are developed byexperts.Learning FCMs directly from data is nee-ded when expert knowledge is limited in some areas.An algorithm based on ant colony optimization is proposed to learn FCMs from data effectively. To avoid the problem of local optimization,mutation operator is lead up to improve the performance of ant colony algorithm and obtain more accurate FCM model. Finally,the performance of the algo-rithm is tested on artificial data.The experiment shows that the algorithm has good performance and can get an accurate FCM model.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)007【总页数】5页(P203-207)【关键词】模糊认知图;蚁群算法;变异算子;数值优化【作者】胡运杰;邓燕妮【作者单位】武汉理工大学自动化学院,武汉430070;武汉理工大学自动化学院,武汉430070【正文语种】中文【中图分类】TP391.41因果关系的表示与推理是人工智能中一个重要的研究领域。
基于遗传_蚁群算法的PHEB模糊控制策略优化
基于遗传-蚁群算法的PH EB 模糊控制策略优化尹安东 赵 韩 张 辉合肥工业大学,合肥,230009摘要:以并联式混合动力客车(PH EB)为研究对象,设计了以整车需求转矩与发动机最佳转矩之差以及超级电容荷电状态为输入,以发动机转矩为输出的模糊控制器,并应用遗传-蚁群算法对其进行隶属度函数和控制规则优化。
基于M ATLAB/Adv isor 建立了PH EB 模糊控制策略模型和整车模型,并对优化前后的实例PH EB 性能进行了仿真分析。
研究结果表明,优化后的模糊控制策略能够满足设计要求,且等效燃料消耗量比优化前降低了10.2%。
关键词:并联式混合动力客车(PH EB);遗传-蚁群算法;模糊控制策略;优化中图分类号:U 469.7 文章编号:1004 132X(2011)14 1754 06Optimization of Fuzzy Control Strategy for Parallel Hybrid Electric Bus Based on Genetic -ant C olony AlgorithmYin Ando ng Zhao H an Zhang H ui H efei U niversity of T echno logy ,H efei,230009Abstract :For a kind o f PH EB,a fuzzy controller w as constructed by using the difference betw een the r equested to rque and optim al engine to rque and taking the super capacito r state of char ge as in puts,and the eng ine torque as the output.T he m em bership functions and r ules of fuzzy contr oller w ere optimized sim ultaneously by using genetic-ant colony algo rithm.A simulatio n model of the fuzzy contr ol strateg y was established by M ATLAB/Adv isor.T he performance of the optim ized PH EB w ere sim ulated.T he results sho w that the optim ized fuzzy co ntro l str ategy can m eet the re quirements o f ov erall vehicle perform ance and the fuel co nsum ption is reduced by 10.2%compared w ith the non-o ptimized PH EB.Key words :parallel hy br id electr ic bus(PH EB);g enetic-ant colony alg orithm ;fuzzy co ntro l strat egy ;optim ization收稿日期:2010 08 16基金项目:国家高技术研究发展计划(863计划)资助重大项目(2008A A11A139)0 引言目前,混合动力汽车(hybrid electric vehicle,H EV)的控制策略主要有逻辑门限值控制策略、瞬时优化控制策略、全局优化控制策略和模糊控制策略等[1 2]。
基于莱维飞行的改进蚁群算法的PID参数优化
第26卷 第6期2019年6月仪器仪表用户INSTRUMENTATIONVol.262019 No.6基于莱维飞行的改进蚁群算法的PID参数优化孙 悦，何同祥（华北电力大学 控制与计算机工程学院，河北 保定 071003）摘 要：针对蚁群算法存在易于过早地收敛并陷入局部最优的问题，应用莱维飞行搜索模式对蚁群算法改进，改变蚁群算法寻优过程中的信息素更新方式，并将改进后的算法应用于过热汽温控制系统。
仿真结果表明，利用改进算法整定的PID参数，减小了超调量，缩短了过渡时间，整定效果更优。
关键词：PID控制；蚂蚁算法；莱维飞行；参数优化；改进算法中图分类号：TP273 文献标志码：AOptimization of PID Parameters Based on Improved AntColony Algorithm for Levy FlightSun Yue ，He Tongxiang（School of Control and Computer Engineering, North China Electric Power University, Hebei, Baoding, 071003, China）Abstract：Aiming at the problem that the ant colony algorithm is easy to prematurely converge and fall into local optimum, the Levy flight search mode is applied to improve the ant colony algorithm, and the pheromone update method in the ant colony al-gorithm optimization process is changed, and the improved algorithm is applied. Used in superheated steam temperature control systems. The simulation results show that the PID parameters adjusted by the improved algorithm reduce the overshoot and shorten the transition time, and the tuning effect is better.Key words：PID control；ant colony algorithm；levy flight；parameters optimization；improved algorithm比例—积分—微分（PID）控制器以其原理简单、性能良好等优点一直被工程人员青睐，如何选取最优的PID控制器参数成为改善控制器性能，提高控制品质的关键。
基于蚁群算法的PID参数优化设计_詹士昌
转移或作局部搜索 ;
计算并存储各区域当前已搜索到的目标函数最大值向量 ;
记录当前最好解 x max及最优值 f max ; 按公式(3)、(4)更新各区域的吸引强度 τj ;ncycle →ncycle +1主要 是算法参 数的设 置 , 其 设置 原则目前还没有理论上的依据 , 经验 结果为[ 14] :1 ≤α≤5;1 ≤β ≤5 ;0 .5 ≤ρ≤1 , 取 0 .7 左 右为最佳 ;1 ≤Q ≤10 000 , Q 的取值
蚁刚开始随机地位于 解空 间[ x 0 , x f] 的 n1 ×n 2 个等 分区 域的 某处 , 蚂蚁的状态转移概率按下式定义
Pij =
(τj)α(ηij)β , ηij > 0 i , j 0 , ηij ≤ 0
∈ {1, 2,
… , (n1 × n2)}, 且
i
≠j
(2)
式中 , τj 为第 j 个区 域的吸引 强度 ;期望 值 ηij 定 义为 ηij = f jmax
前位置向量 ,
x
k j0
为本次循环中第
k
组蚂 蚁在区域
j
的局 部随机
搜索中的初始位置向量 。 给定参数 ρ∈ (0, 1), 体现各 个区域中
吸引强度的持久性 ;算法中有关的初始值 可取为 τj(0)=C , Δτj
(0)=0;给定参数 Q 为蚂蚁释放的信息素密度 。
处在区域 i 中 的第 k 组 蚂蚁 选择 转移 及 局部 搜索 的 规则
- fimax , 即蚁群在区 域 j 与 区域 i 目前 已经 搜索到 的目 标函 数
最大值的差值 ;给定参数 α, β >0 为启发式因 子 , 分 别表示 蚂蚁
在运动 过程中各个 区域吸引 强度 τj 及 期望值 ηij 在蚂蚁选 择搜
蚁群优化的改进型神经网络控制器设计
蚁群优化的改进型神经网络控制器设计朱闯;林勇;温阳东【摘要】利用可调激活函数改进神经网络，提高神经网络的泛化能力，并推导出激活函数参数的调节公式；对蚁群算法加以改进，以加快算法收敛速度、避免局部最优解，利用改进的蚁群算法对神经网络参数加以优化，并用优化后的改进型神经网络在线整定控制器参数。
仿真表明，对于较复杂的系统该方法比传统的神经网络PID 控制有更好的控制效果。
%Adjustable activation function was used to improve the generalization ability of neural network and the adjustment formula for activation function parameter was derived.Improving the ant colony algorithm to ac-celerate the convergence rate and to avoid the local optimal solution was implemented,including making use of the improved ant colony algorithm to optimize the neural network and setting the controller parameters on line. The simulation results show that this method has better control effect on complex system than the traditional neural network PID controller.【期刊名称】《化工自动化及仪表》【年(卷),期】2015(000)007【总页数】4页(P785-788)【关键词】蚁群算法;可调激活函数;改进型神经网络;人工智能【作者】朱闯;林勇;温阳东【作者单位】合肥工业大学电气与自动化工程学院，合肥 230009;合肥工业大学电气与自动化工程学院，合肥 230009;合肥工业大学电气与自动化工程学院，合肥 230009【正文语种】中文【中图分类】TP273由于实际生产过程中对象的时变性、非线性、耦合性和不确定性，常规PID控制系统控制效果不理想[1]。
矿产
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。
基于蚁群优化的超声波电动机系统动态模糊辨识建模
Ⅳ， 令每个集合中每个元素的信息素 （ ） Ｃ Ｃ 謦 ｆ ＝ （ 为常数）△ｆ ） ０ ＝ ，， １ 。ｒ Ｗ 表示 ； ，ｒ ＝ √ １２…， ０ Ｊ ａ （ ０ ｆ ） （ 鎏
集 合 的第 个 元 素 的 信 息 素 ， ｒ（ ） △ ＝０表 示 在 本 次循 环 中集 合 ｉ 的第 个 元 素 上 的信 息 素 上 ｉ ；
Ｅ益受 到重视 。通 常 ， 便 于在 线 实 现并 尽 量 减 小 ｔ 为
Ｓ ｉｓｉ Ｓ ６ ｈｎｅ Ｕ Ｒ ０型 两相行 波 超声 波 电动 机 ， Ｈ桥 相移 Ｐ ＷＭ 驱 动 电路 。控 制 部 分 采 用 Ｄ Ｐ为 主 控 芯 片 ， Ｓ
用 于实 现控 制算 法 ， 含 分别 用 于 控 制两 相 驱 动 电 包 压 幅值 的 Ａ、 电压 闭环 控 制器 ， Ｂ相 以及通 过 调节 驱
收 稿 １ ：０ １ ０ — ２ ３期 ２ １ — ３ ２
触 持电棚 ２１ 第１期 ０ 年 ０ １
… … … …
驱动
… … … … … … … … … … … … … … … … … … … … … － ０ ，／ 一 够 ……
一
－… ＿
… …
… …
… …
… ． …
… ． …
２ 、 ． １ 、 （ ） 频 率 值 ｆ ｋ ３ ｋ ２ ＼（ 一 ） （一 ） ｕ ｋ ， ｊ ｝ （－ ） － ）厂 Ｉ ｊ ｝
Ⅳ 测取 转速 阶跃 响应 ， 问调 节 其
模 的局 限性 ， 制建 模通 常 以基 于 实验 数 据 的辨 识 控 方法 为 主¨ 。根 据 模 型辨 识 方 法 的不 同 ， 型 的 模
动 电压 的幅值 大小 ； 随着驱 动 电压 幅值 的变 化 ， 在转
- 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)。
Ｏ ｐ ｉ ｉ ａ ｉｎ Ｄｅ ｉｎ ｏ ｔｍ ｚ ｔｏ ｓｇ ｆＦｕｚ ｙ Ｃｏ ｒ ｌｅ ｓ ｄ ｏ ｚ ｎｔｏ ｌｒ Ｂａ ｅ ｎ
Ｉ ｐ ｏ ｅ ｔＣｏｏ ｙ Ａｌ ｏ ｉｈ ｍ ｒ ｖ ｄ Ａｎ ｌ ｎ ｇ ｒｔ ｍ
１ 引言
近年来 。 随着模 糊控制 在工业 过程 中的广 泛应 用 ， 针对 模糊控制器 的优化 越来越 受到人 们 的重视 。文献 ［ — ］ １ ３ 分 别研究 了利用遗传算法 对模糊 控制 器隶属 函数 和控制 规则
同控制阶段的模糊 参数全 局最优 解。仿真结 果证 明 了优 化 策略优化模糊控制 器的参数 ， 系统具 有 良好 的动 、 使 静态 特 性． 控制效果很好 。
ｐ ｏ ｏ ｅ ．Ｔ ｉ ａｇ ｒ ｈ ａ ｏ ｔｄ ｍｕ ｔ ｃ ｌｎ ａａ ｌｌ ｐ ｉ ｚ ｔ ｎ ｂ ｓ ｄ ｏ ｒ ｄ ｔ ｎ ＡＣ ｌｏ ｉ ｍ ，ｔｅ ＡＣ ｉ ｒｐ ｓｄ ｈｓ ｌｏ ｔ ｍ ｄ ｐｅ ｌ — ｏｏ ｙ ｐ ｒ ｌ ｔ ｉ ｉ ｅ ｏ ｍｉａｉ ａ ｅ ｎ ｔ ｉ ｏ Ｏ ａｇ ｒ ｈ ｏ ａ ｉ ｔ ｈ Ｏ ｍ－ ｐ ｅ ｎ ａｉｎ ｉ ｃｕ ｉｇ ｄ ｔ ｎｔ ｉ ｔ ｎ，ｓ ｌ ｔ ｎ ｃ ｎ ｔ ｃｉｎ ａ ｄ ｐ ｅｏ ｎ ｐ ａｅ ｗａ ｍｐ ｏ ｅ ． Ａｔｔ ｅ ｓ ｍｅ ｌｍｅ ｔ ｔ ｌ ｄ ｎ ａａ ｉ ｉ ａ ｚ ｉ ｏ ｎ ｉ ａｏ ｌ ｏｕ ｉ ｏ ｓ ｕ ｔ ｎ ｈ ｒ ｍｏ ｅ ｕ ｄ ｔ ｓ ｉ ｒｖ ｄ ｏ ｒ ｏ ｈ ａ ｔ ｉ ｍｅ，ａ ｃ ｄｎ ｔ ｏ ｆＡＣ ｌｏ ｔ ｍ ｓ ｄ ｓｇ ｅ ｏ ｇ ａ ａ ｔｅ ｔ ｅ ｃ ｍｐ ｅｅ ｅ ｓ ａ ｄ ｓ ｍａ ｔ ｓ ｏ ｍｂ ｒｈ ｐ ｏ ｉ ｇ ｍｅｈ ｄ ｏ Ｏ ａ ｇ ｒ ｈ ｗａ ｅ ｉ ｎ ｄ ｔ ｕ ｒ ｎｅ ｈ ｏ ｌ ｔｎ ｓ ｎ ｅ ｎ ｉ ｆｍｅ ｅ ｓ ｉ ｉ ｃ ｆ ｎ ｔ ｎ ｔｃ ｎ ｉ ｒｖ ｈ ｕ ｌ ｙ ｏ ｅ ｓ ｌ ｔ ｎ ｓ ａ ｅ ａ ｄ ｒ ｉｅ ｔ ｅ ｓ ａ ｃ ｉ ｇ ｓ ｅ ｄ ｉ ｌｔ ｎ ｒ ｓ ｌ ｓ ｏ ａ ｕ ｃ ｉ ．Ｉ ａ ｍｐ ｏ ｅ ｔ ｅ ｑ ａｉ ｆ ｈ ｏ ｕｉ ｐ ｃ ｎ ａ ｓ ｈ ｅ ｒ ｈ ｎ ｐ ｅ ．Ｓｍｕ ａｉ ｅ ｕｔ ｈ ｗｓｔ ｔ ｏ ｔ ｔ ｏ ｏ ｈ
ｎ ｕ ｌ ，ｉ ｉ ｐ ｐ ｒ ａ ｍｅ ｈ ｄ ｏ ｌ — ｏｏ ｙ ｅ ｏｖ ｍｅ ｔ ｎ ｏｏ ｙ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｄｅ ａ ｔｃ ｌ ｎ ｙ ｔｍ ａ ｏ ｓｙ ｎ ｔ ｓ ａ ｅ ， ｔ ｏ ｆ ｈ ｍｕｔ ｃ ｌ ｎ ｖ ｌ ｅ ｎ ｔ ｌｎ ｌｏ ｉ ｍ ａ ｅ ｎ ｉ ｌ ｎ ｏ ｏ ｙ ｓ ｓｅ ｗ ｓ ｉ ａ ｃ ｔ
目标空间 Ｚ为 ：
一
收稿 １期 ：０ １ ０ — １ 修 回日期 ：０ ｌ Ｏ — ４ ３ ２１— ２ １ ２ １ — ３ １
１ ３１ —
Ｚ＝ ｛
Ｒ 。＝ （ ， ＝ （ ，． ， ＝／ （ ｝ Ｉ ｚ ） ） ． ． ）
（） ３
构建 、 信息素更新等三大部分 。下 面分别讨 论两个种 群的蚁
引人到模糊控制器的隶属函数 、 模糊规则的优化搜索中 ， 搜索 出适应于不同控制阶段的模糊控制器参数及控制规则 ， 并进 行 仿真 。仿真结果证明了改进算法 对模糊控制器的参 数具有 良好 的搜索速度和精度 ， 系统有很强的鲁棒性。 使
关键词 ： 模糊控制 ； 蚁群优化； 隶属 函数 ； 模糊规则
ｔ ｉ ａｇ ｒ ｈ ｉ ｆ ａ ｉ ｌ ｎ ｆ ｃ ｉｅ ｈ ｓ ｌｏ ｉ ｍ ｓ ｅ ｓ ｅ ａ ｄ ｅｆ ｔ ． ｔ ｂ ｅ ｖ
ＫＥＹＷ ＯＲＤＳ： ｕ ｚ ｏ ｔ ｌ Ｆ ｚ ｙ ｃ ｎｒ ；ＡＣ ｏ Ｏ；Ｍｅ ｅ ｓ ｉ ｕ ｃ ｉｎ；Ｆ ｚ ｙ ｒ ｌ ｓ ｍｂ ｒｈ ｐ ｆ ｎ ｔ ｏ ｕ ｚ ｅ ｕ
ｂ
【ｎ 、 ｇ
其 它
（） ４
ｋ ∈ （ ， ） ０ １
当设计时给 出 ，一－ 个参数 ｋ、 、 后 ， － ｂ 就可 以确 定该 模糊子集 的隶属度如下 ： 由于第 ｉ 个三角形 的右宽度
图 １ 多种群进化算 法原理框 图
ｄ ｆｎ ６（’ （ ｛ （ ｆ＿） ５ ：Ｔｂ ∈ ｌ １ 一‘ ｓ） ｇ １ ）
：
・ ｇ （ ｓｎ ｂ） ３２ 多 种 群 进 化 蚁 群算 法 实 现 ．
其 它
对左宽度 由文献 ］进行计算 ， ６
由于基本 Ａ Ｓ算法存在容易早熟 、 Ｃ 易于陷人局部最优等
缺陷 ， 在此采用基 于懒 蚂蚁 效应 的改进蚁群算法 。该 算法借
＝ 一
鉴懒蚂蚁效应 的原理 ， 一旦 算法有 停滞 现象 ， 根据 系统搜 会
２ 模糊规则定义 了不 同模糊划分之间的映射关系 ， ） 规则 集构成第二个种群 ： 两个种群共 同描述一个对象或过程 的模糊 动态模 型． 通 过各 自的逐步优化 ， 达到 种群 的进化平 衡 ， 现优化 的对象 实 模型 。
算 法 原 理 框 图如 图 １所 示
：
｛ ｌ
，
譬 ）
ＸＩ ＮＧ － ａ ｇ，ＨＥ Ｘｉ Ｙａ ｌ ｎ ｎ，Ｓ ＵＮ ｈ —ｙ Ｓｉ ｕ
（ ｒｎｎ ｅＥ ｇｎｅ ｎ ｏｅｅ ｈ ｉ ｈ ａｇＨ ｂｉ ５０ ３ Ｃ ｉａ Ｏ ｄａ ｃ ｎｉｅｒ ｇＣｌ ｇ ，Ｓ￣ａ ｕｎ ｅｅ ０ ００ ， ｈ ） ｉ ｌ ｚ ｎ
ＡＢＳ ＴＲＡＣＴ： ｍｅ ｔｔｅ ｐ ｏ ｌｍ ｆｔ ａ ｅ ｆ ｚｙ ｐ ｒ ｍｅｅ ｓｏ ｚｙ ｃ ｎ ｒ ｌ ｒ ａ ｏ ｅ ｎ ｏ ｔ ｚ ｄ ｓｎ ｈ ｏ Ａｉ ｄ ａ ｈ ｒｂ ｅ ｏ ｔ ｈ ｕ ｚ ａ ａ ｔｒ ｆｆ ｚ ｏ ｔｏｌ ｓ ｃ ｎ ｎ ｔｂ ｅ ｐ ｉ ｅ ｙ ｃ ｒ — ｈ ｔ ｕ ｅ ｍｉ
摘要 ： 研究控制器优化问题 ， 由于模糊控制系统参数无法同时优化 ， 使得系统选择参 数困难 ， 使系统控制效果 存在一定 的缺 陷， 安全性和可靠性降低。为解决上述问题 ， 提出了一种多种群进 化蚁群算法对模糊 控制器优化设计 。采用 懒蚂蚁效应 的 改进蚁群算法进行优化 ， 统蚁群算法 的基础上 ， 在传 采用多个种群并行 ， 对算法的初始化、 路径构建 以及信息素更新 改进 ， 并
解 了复 杂 大 系 统 中每 次 迭 代 蚂 蚁 数 量 过 多 的 问 题 ， 够 加 快 能 收敛速度 ， 得较好的优化结果。 获
根据 多种群协 同进化算法 的基本原理 ， 将待优 化的参数
集合进行种群定义如下 ：
１ 包括隶属 函数 的参数 ， ） 由输入 和输 出空 间的模糊划分
构成第一个种群 ： 、
圈 ２ 相 邻 隶 属 函数
以相邻 的两个隶属函数正小（ ｓ 和正 中（ ）为例 ， Ｐ） 删 如 图３ 所示 。对第 个三角形而言 ， ｉ 三角形 左宽度为 ｄ 第 个 “， 右宽度为 ｄ 。本文定义 了三个变量表示隶 属 函数 的分 布状 况 ， 别为： 分 三角形右跨度系数 ｋ、 三角形中点 ｂ 以及重叠 因 子 。其 中， 定义三角形右跨度系数
第２ 卷 第１ ９ 期
文章编号 ：０６ ９ ４ （０ ２ ０ — １ １ ０ １０ — ３ ８ ２ １ ） １ ０ ３ — ４
计
算
机
仿
真
２１年１ ０ ２ 月
基 于 改进 蚁 群 算 法 的模 糊 控 制器 优化 设 计
邢娅 浪 ， 何 鑫 ， 世 宇 孙
（ 军械工程学院 ， 河北 石家庄 ０ ００ ） ５０ ３
进行优化的方法 ， 在一定 程度上 改善 了模糊 控制 器的性 能。
但是 由于模 糊控制参数在模糊 系统 中不是相对 独立 ． 而是相 互联系 、 相互制 约的 ， 分别进 行单一 模糊参 数整 定不能 保证 优化后 的隶属函数 和模糊 控制规 则最 优。因此 要获得 高性 能的模糊控制器应该同时优化二者 ． 这样又存在着搜 索空间
ｍｉ｛ （ ， ｎ 。： ） ：＝， （ ， ＝ （ ｝ ２ ） … ）
５ｔ ．． ｇ（ ｉ ）≥ ０ ｉ＝ １２ ． ｍ ，… ，
（） １
式 中 ．． ｔ表示约束条件 ， 可行域 ｓ为 ： Ｓ＝ ｛ ∈Ｒ Ｉ （ ｇ ）≥ ０ ｉ： １２ … ｍ｝ ， ，， （） ２
在它们之间进行折衷。
１ 位置分布初始化 ） 种群 １模糊隶属 函数参数 ： 本 文模 糊隶属 函数参数 由三角形 隶属 函数 表示 。三 角 形 隶属 函数 的形状可 以由左端点 ｏ 中心点 ｂ右端点 Ｃ 、 、 确定 ， 通常就是将这三个点作为初始点进行优 化 ， 这样 的表示方式 往往导致优化后 的隶 属 函数不能 满足 完备性原 则¨ 。针对 ６ ］ 隶属函数优化标 准 ． 文对 隶 属 函数 的形状 进行 全 新初 始 本 化， 以保证隶属 函数 的完备性 。
群算法实现过程 。 ３ ２ １ 算法初始化 ．． 算 法初始化 包括蚁群 出发位 置分布初 始化 和信 息素初
始化两种情况 。
多 目标优 化问题 中 ． 各子 目标 常常相互 冲突 ， 个子 目 某 标的改善可能会 引起 另一子 目标性 能的降低 。因此 ， 通常 不
存在使所 有子 目标 函数 同时达到最优 的绝对最优解 ， 只能 而
过大的问题 ， 就为模糊控制 的有效实 施和精度 的提高带来 这
了 困 难 。本 文 在 已有 文 献 的基 础上 ， 出 了 一 种 多 种 群 进 化 提
优化 问题又称为多 准则 问题 ， 定义 如下 ： 其 在可行 域 中确 定
由 ｎ个决策变量组成的 目标 函数最优 ， 即
蚁群算法 ， 将模糊 控制器 的隶属 函数 、 模糊 规则 的优化 同时 进行。该算法采用多 个种群 并行优 化 ， 对算法 的初始 化 、 路 径构建 以及信息素更新等方面进行 了改进 ， 搜索 出适 应于不