模糊预测控制发展的概况

合集下载

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。

PID模糊控制器发展现状综述

模糊PID控制器的发展现状综述1模糊PID控制器研究背景1.1PID控制器传统的PID控制器虽然以其结构简单、工作稳定、适应性好、精度高等优点成为过程控制中应用最广泛最基本的一种控制器。

PID调节规律一般都能得到比较令人满意的控制效果，尤其是对于线性定常系统的控制是非常有效的，但是它的调节品质取决于PID控制器各个参数的确定。

随着工业生产过程的日趋复杂化，系统不可避免地存在非线性、滞后和时变现象，其中有的参数未知或缓慢变化，有的带有延时和随机干扰，有的无法获得较精确的数学模型或模型非常粗糙，如果使用常规的PID控制器，PID参数的整定变得十分困难甚至无法整定，因此并不能得到理想的控制效果。

为此，近年来各种改进的PID控制器如自校正、自适应PID[1][2][3]及智能控制器[4]迅速发展起来，但仍存在一定的局限性。

1.2模糊控制器随着技术的发展，模糊控制理论和模糊技术成为最广泛最有前景的应用分支之一。

模糊控制器是一种专家控制系统，它的优点是不需要知道被控对象的数学模型而能够利用专家已有的经验对系统进行建模。

与传统的PID控制方式相比，它适合解决一些难以建立精确数学模型、非线性、大滞后和时变的复杂过程的问题，因此得到了很好的发展，尤其是在工业控制、电力系统等领域中解决了许多实际性的问题，引起了越来越多的工程技术人员的兴趣。

但是经过深入研究，会发现基本模糊控制存在着其控制品质粗糙和精度低等弊病。

而且用的最多的二维输入的模糊控制器是PI或PD型控制器，会出现过渡过程品质不好或不能消除稳态误差的问题。

因此，在许多情况下，将模糊控制和PID控制两者结合起来，扬长避短，既具有模糊控制灵活、适应性强、快速性好的优点，又具有PID控制精度高的特点。

把规则的条件、操作用模糊集表示，并把这些模糊控制规则及有关信息作为知识存入计算机知识库中，然后计算机根据控制系统的实际响应情况，运用模糊推理，自动实现对PID参数的最佳整定，实现模糊PID控制。

模糊控制技术现状及研究热点

模糊控制技术发展现状及研究热点摘要：综合介绍丁模糊控制技术的基本原理和发展状况，重点总结丁近年来该研究领域的热点问题，并对今后的发展前景进行了展望。

关键词：模糊控制结构分析稳定性白适应控制1模糊控制的热点问题模糊控制技术是一项正在发展的技术，虽然近年来得到了蓬勃发展，但它也存在一些问题，主要有以下几个方面：（1）还投有形成完挫的理论体系，没有完善的稳定性和鲁棒性分析，系统的设计方法(包括规则的获取和优化、隶属函数的选取等)；（2）控制系统的性能小太高(稳态精度牧低，存在抖动及积分饱和等问题)：（3）自适应能力有限。

目前，国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了一些阶段性成果，下面介绍一下近期的主要研究热点。

2模糊控制系统的稳定性分析任何一个自动控制系统要正常工作，首先必须是稳定的。

由于模糊系统本质上的非线性和缺乏统一的系统描述，使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计。

因此，模糊控制理论的稳定性分析一直是一个难点课题，未形成较为完善的理论体系。

正因为如此，关于模糊系统的稳定性分析近年来成为众人关注的热点，发表的论文较多，提出了各种思想和分析方法。

目前模糊控制系统稳定性分析方法主要有以下几种：（1）李亚普诺夫方法（2）基于滑模变结构系统的稳定性分析方法（3）描述函数方法（4）圆稳定性判据方法模糊控制系统的稳定性分析还有相平面法、关系矩阵分析法、超稳定理论、Popov判据、模糊穴——穴映像、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LMI（矩阵不等式）凸优化方法等。

3自适应模糊控制器的研究为了提高模糊控制系统的自适应能力，许多学者对自适应模糊控制器进行了研究，研究方向主要集中在以下方面。

（1）自校正模糊控制器自校正模糊控制器是在常规模糊控制的基础上，采用加权推理决策，并引入协调因子，根据系统偏差e和偏差变化ec的大小，预测控制系统中的不确定量并选择一个最佳的控制参数或控制规则集，在线自动调整保守和大胆控制的混合程度，从而更全面确切地反映出入对诸因素的综合决策思想，提高系统的控制精度和鲁捧性能。

模糊控制2500字

模糊控制2500字一、模糊控制简介模糊控制（Fuzzy Control）是一种基于模糊数学理论的控制方法，在复杂系统控制中应用广泛。

传统的控制方法基于准确的数学模型，对系统有严格的要求，而实际控制过程中，系统的动态特性常常难以精确建模。

模糊控制通过模糊化输入输出变量，使用模糊规则来描述人类的控制经验，并通过模糊推理来实现控制目标，从而克服了传统控制方法对系统模型的要求。

二、模糊控制的基本原理模糊控制系统由输入、模糊化、模糊规则库、模糊推理、去模糊化和输出等部分组成。

输入是实际系统的状态量或变量，经过模糊化处理，转化为模糊变量。

模糊化是将输入量通过隶属函数转化为隶属度，表示其属于不同模糊集的程度。

模糊规则库是由专家经验提供的规则集合，其形式为“如果...那么...”。

模糊推理是根据输入的模糊变量和模糊规则，通过模糊逻辑运算得到模糊输出。

去模糊化是将模糊输出转化为实际控制变量，通常采用去隶属化、非线性映射和合成明确规则等方法。

最后，输出是实际控制器对系统施加的控制量。

三、模糊控制的特点1. 鲁棒性高：模糊控制对系统参数变化、外界干扰和测量噪声具有一定的鲁棒性，能够适应各种环境变化。

2. 推理能力强：模糊控制使用基于人类经验的模糊规则库进行推理，能够处理非线性、多变量、不确定的控制问题。

3. 操作简单：模糊控制主要通过数学模型中的模糊集、隶属度函数和模糊规则等概念进行描述，易于理解和实现。

4. 适应性强：模糊控制可以根据实际控制结果反馈信息，自动调整模糊规则和参数，实现自适应控制。

四、模糊控制器的设计方法模糊控制器的设计方法主要分为模糊控制器的结构设计和参数设计两个方面。

1. 结构设计：模糊控制器的结构设计包括选择输入输出变量、构建模糊规则库和确定模糊推理机制。

根据控制系统的特点和需求，选择合适的输入输出变量，并通过专家经验或试验数据构建模糊规则库。

模糊推理机制可以选择模糊关系矩阵、模糊神经网络或模糊Petri网等方法。

模糊控制技术的现状及发展趋势

模糊控制技术的现状及发展趋势广州民航职业技术学院萧赞星袁书生模糊控制方法是智能控制的重要组成部分。

本文简要介绍了模糊控制的概念和原理，较详细地介绍了模糊控制的应用现状，分析了模糊控制理论的优缺点及需要完善和继续研究的内容，最后对模糊控制的发展趋势与动态进行了展望。

传统的各种控制方法均是建立在被控对象精确数学模型基础上的，然而随着系统复杂程度的提高，将难以建立系统的精确数学模型在工程实践中，人们发现一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。

自从1965年美園自动控制理论专家ZadehA提出用模糊集合描述客观世界中存在的不确定性信息以来，模糊逻辑理论有了飞跃性的发展，并得到了广泛的应用。

模糊控制的核心就是利用模糊集合理论，把人的控制策略的自然语言转化为计算机能够接受的算法语言所描述的控制算法。

这种方法不仅能实现控制，而且能模拟人的思维方式对一些无法构造数学模型的被控对象进行有效的控制随着模糊控制理论的H益成熟，控制技术也已经得到了很好的发展，尤其是在工业控制、电力系统等领域中解决了许多实际性的问题，取得了令人瞩目的成效。

1模糊控制的原理模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法,它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。

该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理。

2模糊控制系统的应用目前模糊控制在很多领域都有很大的发展。

模糊控制系统已经应用于各个行业和各类实际应用中，同时也出现广不少开发模糊控制系统的软件工具，甚至应用于社会科学领域。

模糊控制在过程控制中的应用工业炉方面：如退火炉、电弧炉、水泥窑、热风炉、煤粉炉的模糊控制。

石化方面：如蒸馏塔的模糊控制、废水pH值计算机模糊控制、污水处理系统的模糊控制等。

模糊控制技术及其发展趋势

《智能控制理论与技术》课题报告课题名称：模糊控制技术及其发展前景姓名：班级：学号：模糊控制技术及其发展前景摘要：文章综合介绍了模糊控制技术的发展历程、原理及应用前景。

重点介绍了模糊控制的数学基础及模糊控制器的设计方法及其改进。

总结了近年来模糊控制系统的研究与发展，介绍了最近模糊控制系统研究的一些主要方面及研究成果，分析了它们的优缺点，并探讨了这一研究领域的研究趋向。

关键词：模糊控制；模糊控制器；模糊控制系统；发展前景。

一、模糊控制的发展自从美国加利福尼亚大学控制论专家L.A.Zadeh教授在1965年提出的《Fuzzy Set》开创了模糊数学的历史[1]，吸引了众多的学者对其进行研究，使其理论和方法日益完善，并且广泛的应用于自然科学和社会科学的各个领域，尤其是第五代计算机的研制和知识工程开发等领域占有特殊重要的地位[2]。

把模糊逻辑应用于控制领域则始于1973年[3]。

1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制。

此后20年来，模糊控制不断发展并在许多领域中得到成功应用[4]。

由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种体系理论方法，因而能够解决许多复杂而无法建立精确数学模型系统的控制问题，所以它是处理推理系统和控制系统中不精确和不确定性的一种有效方法。

从广义上讲，模糊控制是基于模糊推理，模仿人的思维方式，对难以建立精确数学模型的对象实施的一种控制策略。

它是模糊数学同控制理论相结合的产物，同时也是只能控制的重要组成部分。

模糊控制的突出特点在于：1）控制系统的设计不要求知道被控对象的精确数学模型，只需要提供现场操作人员的经验知识及操作数据。

2）控制系统的鲁棒性强，适用于解决常规控制难以解决的非线性、时变及大滞后等问题。

3）以语言变量代替常规的数学变量，易于形成专家的“知识”。

4）控制系统采用“不精确推理”。

推理过程模仿人的思维过程。

由于介入了人的经验，因而能够处理复杂甚至“病态”系统。

模糊控制技术概况.

将模糊集合理论运用于自动控制而形成的模糊控制理论，在近年来得到了迅速的发展，其原因在于对那些时变的非线性的复杂系统，当无法获得精确的数学模型的时候，利用具有智能的模糊控制器能给出有效的控制。例如，在炼钢，化工，人文系统，经济系统以及医学心理系统中，要得到正确而且精密的数学模型是相当困难的。对于这些系统却具有大量的以定性的形式表示的极其重要的先验信息，以及仅仅用语言规定的性能指标。同时，要求过程的操作人员是系统的基本组成部分等。所有这些都是一种不精确性，应用一般的控制理论是很难实现控制的，但是，这类系统由人来控制却往往容易做到。这是因为过程操作人员的控制方法是建立在直观的和经验的基础上，他们凭借实践积累的经验，采取适当的对策完成控制任务，于是，人们把操作人员的控制经验归纳成定性描述的一组条件语句，然后运用模糊集合理论将其定量化，使控制器得以接受人的经验，模仿人的操作策略，这样就产生了以模糊集合理论为基础的模糊控制器。模糊控制理论的提出是控制思想的一次深刻的变革，它标志着人工智能发展到了一个新的阶段。
6.2 模糊控制技的应用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，已经渗入到工业控制领域、家用电器自动化领域和玩具等多个行业。世界上第一款运用模糊控制技术设计研发制造的人性化智能玩具——皮皮熊为玩具行业的结构调整提供了示范，为玩具业的发展开拓了一条新路。
所谓机器人的模糊控制是指对机器人控制时采用自然语言描述的模糊指令集，并以模糊指令的有序集合作为模糊控制算法。例如，1976 年日本大阪大学田中研究室的三位学者对一个机器人进行了模糊控制实验研究。他们给机器人一张模拟的不精确的城市地图，或给它一系列引导它达到目的地的粗糙指令，这个机器人在这些信息的指引下虽然有时迷路、徘徊，但最后还是达到了目的地。

模糊控制算法

通过引入模糊逻辑，可以处理现实世界中广泛存在的模糊和不确定性问题。
相互促进发展
模糊集合与模糊逻辑相互促进，不断发展，为解决复杂问题提供了有力的工具。
03
模糊控制器设计
输入输出变量的确定
输入变量的确定
根据被控对象的特性和控制要求，选择合适的输入变量，如温度、湿度、压力等。
输出变量的确定
根据控制要求和系统性能指标，选择合适的输出变量，如阀门开度、加热功率等。
模糊控制算法
目录
• 模糊控制算法概述 • 模糊集合与模糊逻辑 • 模糊控制器设计 • 模糊控制算法的实现 • 模糊控制算法的优缺点 • 模糊控制算法的发展趋势与展望
01
模糊控制算法概述
模糊控制算法的定义
模糊集合
模糊集合是传统集合的扩展，它允许元素具有部分属于、部分不属于某个集合的模糊性。在模糊集合中，每个元素都有一个隶属度，表示它属于该集合的程度。
感谢您的观看
THANKS
糊规则，计算出输出变量的隶属度函数。
模糊推理
基于专家知识和经验制定的模糊条件语句，用于描述系统输入与输出之间的关系。模糊规则通常采用“IF-THEN”形式，其中 “IF”部分是输入变量的模糊集合， “THEN”部分是输出变量的模糊集合。
去模糊化
将输出变量的模糊集合转换为精确值的过程。通过选择合适的去模糊化方法（如最大值去模糊化、最小值去模糊化、中心平均去模糊化等），将输出变量的隶属度函数转换为具体的输出值。
02
规则制定困难
模糊控制算法的核心是模糊规则的制定，而模糊规则的制定需要经验丰富的专业人员，且往往需要反复调整和优化。
03
计算复杂度较高
对于大规模系统，模糊控制算法的计算复杂度可能较高，需要高性能的硬件设备才能实现实时控制。

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)。

2006年5月第13卷增刊

文章编号:167127848(2006)S

20094204

收稿日期:2005204222;　收修定稿日期:2005205212

作者简介:曾海莹(19812),女,湖南涟源人,研究生,主要研究方向为复杂系统的智能控制、预测控制等。

模糊预测控制发展的概况曾海莹,刘暾东(厦门大学信息科学与技术学院,福建厦门　361005)

摘要:模糊预测控制(FPC)是近年来发展起来的新型控制算法,是模糊控制和预测控制相结合的产物。在预测控制的模型预测、反馈校正、滚动优化的机理下,对模糊预测控制近20年来的发展概况和实现形式作了归纳,指出模糊模型引入预测控制,体现了预测控制向智能控制方向拓展的趋势,更符合人们的控制思想,可进一步提高控制的效果,并就其有待解决的问题发表了一些看法。关　键　词:模糊预测控制;模糊模型;模糊决策优化中图分类号:TP273 文献标识码:A

SurveyonFuzzyPredictiveControlZENGHai2ying,LIUTun2dong(CollegeofInformationScience&Technique,XiamenUniversity,Xiamen361005,China)

Abstract:Fuzzypredictivecontrol(FPC)isanewcontrolalgorithmdevelopedinrecentyears.Itisthecombinationoffuzzycontrolandpre2dictivecontrol.Basedonthemechanismofpredictivecontrol,namelymodelprediction,rollingoptimizationandfeedbackcorrection,thede2velopmentofrecenttwentyyearsandtherealizationformofFPCareconcluded.Asthecombinationofpredictivemechanismandfuzzymodel,FPCnotonlyadaptstotherequirementofpredictivecontrolextendingtointelligentdomain,butalsoimprovesthecontroleffects.Atthesametime,someproblemstoberesolvedonFPCispointedout.Keywords:fuzzypredictivecontrol;fuzzymodel;optimizationoffuzzydecision2making

1　引　言基于模型的预测控制思想经历了模型预测控制(MPHC)[1],动态矩阵控制(DMC)[2],广义预测控

制(GPC)[3]等几个重要的发展里程碑。由于预测控制具有模型预测、滚动优化、反馈校正等机理,因此能够克服过程模型的不确定性,体现出优良的控制性能,在工业过程控制中取得了成功的应用,成为先进控制中的重要内容。1965年美国ZadehL1A1教授创立模糊集理论[4]。随后,经MamadaniE1H

[5]1等许多学者的努

力[6～10],模糊控制已逐渐发展成为解决传统方法所

无法解决的控制和系统问题的途径。模糊控制与预测控制都是对不确定系统进行控制的有效方法,而模糊预测控制技术作为二者相结合的产物,更符合人们的控制思想,可进一步提高控制的效果,因此成为很有吸引力的研究方向之一。模糊预测控制具体形式多种多样[11～13],主要是基于预测控制中模型预测,反馈校正,滚动优化的机理,将模糊思想与预测方法相结合,相互促进。本文在预测控制机理下,对模糊预测控制模型及其优化控制算法进行归纳,并对模糊预测控制今后的发展提出一些看法。2　预测控制与模糊控制的结合1983年,日本的安信诚二等人最早提出模糊预测控制,并成功应用于地铁列车的控制上[14]。1991年,Cucal等人设计了一种模糊专家预测控制器[15],利用预测模型的超前预测误差来调整控制器规则。1992年,李静如等人提出一种新的模糊预测控制算法[16],它将预测控制与模糊控制相结合,应用于一类复杂的工艺过程的终点控制,以预测模型对控制效果进行预报,并根据目标偏差和操作者的经验,应用模糊决策方法在线修正控制策略。1993

两部分组成,采用线性系统理论来设计广义预测控制器,简化了设计,提高了跟踪速度,增强了抗干扰能力。1997年,李少远提出一种基于模糊推理的广义预测的组合控制[18],通过对输出误差及偏差变化率的测量,根据模糊推理对偏差进行校正。模糊控制和预测控制分别利用对象的定性和定量的信息,分别设计,互不干扰。这种组合式模糊预测控制,对模型失配有较好的鲁棒性,而且使预测时域和控制时域等参数的选取变得容易。徐立鸿(1997)针对模型失配,提出一种鲁棒性较强的加权组合预测控制[19],控制器输出分为预测控制量和模糊控制量,二者的加权因子是对象类型和建模误差的函数。2000年,乔俊飞等人针对具有不确定性的冷轧过程控制,提出一种基于模糊预测的无辨识自适应控制方法[20],通过检测过程的实际输出和期望输出,利用模糊预测控制校正无辨识自适应律。近年来,模糊预测控制有了很大的发展[14～21],其中基于T2S模糊模型的预测控制对于非线性、时变的复杂被控过程的控制效果明显,因而在模糊预测控制中被广泛运用[22～26]。3　模糊预测控制实现形式1)过程预测信息处理为核心的模糊预测控制　这类模糊预测控制算法特点在于在传统的预测控制结构基础上,在预测模型的信息处理环节中引入模糊技术,从而构成模糊预测控制算法。根据信息处理方式的不同,可细分为:①利用模糊建模方法建立对象预测模型的模糊预测控制算法　这是目前最常见的一类模糊预测控制算法。该类算法的基本思路是通过模糊推理建立系统的全局模型,并根据这一模型对系统的输出进行预测,然后利用已有的预测控制算法得到控制律。因此与传统的预测控制相比,其核心问题是模糊建模。根据模糊建模方法的不同,出现了多种实现形式。例如:Fisher等人[27,28]给出了一种收敛快、对关系矩阵的初始值不敏感且利于在线实施的模糊关系预测辨识方案(FuzzyRelationalPredictiveIdentifi2cation,FRPI)。他的基本思想是通过优化预测模型参数—模糊关系矩阵R,使得预测误差在既定的预测时域内达到最小;而张化光[17]Katarina[29]等则分别将T2S模糊建模与GPC或DMC方法结合起来。值得一提的是,由于模糊关系模型(Mamdani型)在实际应用中存在诸多限制,因此在现有算法中多采用T2S模型。a.T2S模糊模型　T2S模型[30]是一种典型的动态系统模糊模型,其主要有两个特点:其一,规则前提划分为依据输入输出之间是否存在局部线性关系的原则进行;其二,构成模型的各条规则采用线性方程式作为结论,使得模型的全局输出具有良好的数学表达特性,便于采用线性控制策略设计非线性控制。将T2S模型对线性系统的良好描述特性和预测控制的优化算法相结合,可以实现对非线性系统的优化控制[31～39]。文献[31,32]研究了如何把T2S模型同动态矩阵控制结合起来。文献[33]采用模糊神经网络辨识对象T2S模型,由各局部线性化模型的加权和得到的模型进行预测,将GPC推广到非线性系统。文献[34]将非线性对象的T2S模型作为预测器切入预测控制中,采用内模控制策略对扰动和建模误差进行补偿。文献[35,36]采用模糊神经网络辨识对象T2S模型,所给出的控制算法对参数摄动的系统十分有效,且具有很强的鲁棒性。b.关系型模糊模型　关系型模糊模型是在模糊关系和关系方程理论的基础上用关系矩阵表示的语言模型,是语言模型的全集,涵盖了语言模型所能描述的各种情况。文献[40,41]中采用模糊目标函数评价每个操作量的控制效果,再把控制效果最好的那个控制量施加在实际系统上,这种方法的一个主要缺点是:针对受控过程的各种情况,控制器只能给出操作量的预先给定的几种情况中的一种,

限制了控制的准确性。文献[42]中,也是预先确定N个参考控制量,实际施加到系统的控制是当前时刻最佳控制量与前一时刻控制量的加权和,这样可以调整控制量变化速度,使控制量变化不会过大。就描述系统的机理而言,关系型模型实质上是通过对系统局部的关键点的描述,经过模糊推理来描述系统的整体行为[43];而T2S模型的每条规则是反映

了系统局部行为的线性关系,两种模糊模型在理论上都能以任意精度逼近任意非线性函数[44～46],但

是都存在模型精度与复杂性的矛盾。相比较而言,

由于前提条件少,因而关系型模型描述非线性特性的能力强于T2S模型。②应用模糊推理对预测误差进行补偿的模糊预测控制算法　这类模糊预测控制算法的关键在于充分利用系统反馈中所包含的有用信息。其具体做法就是将模型预测和误差预测结合起来。这类信息的分层处理技术不但可以适应对象、环境的变化,而且淡化了对基础模型的要求[47,48]。2)以模糊决策优化为核心的模糊预测控制　

如前所述,预测控制的核心在于滚动优化,因此整个预测控制算法最终可以归结为性能优化问题。传统的预测控制仍然采用基于线性二次型目标函数的优化方法[49]。但是对于复杂系统,这种方法所要

・59・增刊曾海莹等:模糊预测控制发展的概况