基于遗传算法的模糊神经网络控制器在烘干炉温度控制系统中的设计与仿真1

马占有

MA Zhan-you

（北方民族大学 基础教学部，银川 750021）

基于遗传算法的模糊神经网络控制器在烘干炉温度控制系统中的设计与仿真1

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

马占有

MA Zhan-you

（北方民族大学 基础教学部，银川 750021）

以烘干炉温度为被控对象，由于烘干炉温度控制具有非线性、大滞后和无法建立精确数学模型等特点，传统的控制器很难达到理想的控制效果，为此设计了一种基于遗传算法的模糊神经网络控制器。基于遗传算法的模糊神经网络控制器是将遗传算法的全局寻优和BP算法的在线学习结合起来，先用遗传算法对神经网络的参数进行离线训练，然后再用BP算法对模糊神经网络控制器进一步在线学习。仿真结果表明，基于遗传算法的模糊神经网络控制器与模糊控制、传统PID控制相比较，改善了系统的动态性能和静态性能，能使非线性、大滞后等特殊的系统达到良好的控制效果。

烘干炉温度；遗传算法；BP算法；模糊神经网络控制器

0 引言

由于烘干炉温度的非线性、时变和滞后等特性，难以建立精确的数学模型，传统控制难以达到满意的控制效果。而模糊控制不需要建立被控对象精确的数学模型，只要求现场操作人员或相关专家的经验、知识或者操作数据。然而人们很难根据经验正确选取控制规则和模糊变量的隶属度，从而造成了模糊控制规则的不完善，影响了模糊控制的效果。模糊神经网络将模糊逻辑和神经网络结合在一起，利用模糊规则对人工神经网络的结构和参数训练进行指导，又利用神经网络的在线自学习自适应能力来确定模糊规则中的隶属度函数及隶属度。采用BP算法来在线训练模糊神经网络的参数，但BP算法存在收敛速度慢，易陷入局部最小值的问题。遗传算法提供了一种求解复杂系统优化问题的方法，采用多点并行操作机制寻找全局最优解，收敛速度快，能有效克服BP算法的缺陷。

本文采用遗传算法优化的模糊神经网络控制器，将遗传算法的离线全局寻优及BP神经网络的实时学习相结合。用该控制器对烘干炉温度模型进行了仿真，取得了满意的结果。

1 烘干炉温度数学模型

烘干炉是电机定子绕组浸漆后的烘干设备，是一种电加热装置，具有自平衡能力的对象，可用一阶系统纯滞后环节表示烘干炉温度的数学模型。根据所测得烘干炉温度数据拟合的曲线，利用飞升曲线法求得被控对象数学模型模型的三个参数分别为：被控对象的时间常数，纯滞后时间为，静态增益约为K=4。这样最终得出烘干炉温度的模型见公式(1)。

2 模糊神经网络控制器的设计

模糊控制器是模糊控制系统的核心，一个模糊控制系统的性能优劣主要取决于模糊控制器的结构、所采用的模糊规则、合成推理算法，以及模糊决策的方法等因素。因此，模糊控制器设计一般需要三步：首先选取模糊控制器为二维结构，即输入变量为误差e和误差的变化量ec，输出为控制量u，然后将这三个精确量模糊化；其次构造模糊控制规则表，来确定输入量与输出量对应的模糊关系；最后依据某一规则进行模糊判决，将输出的模糊控制量转化为精确值来控制烘干炉温度。这样，我们将二维的模糊控制器设计成具有四层结构的模糊神经网络控制器，结构如图1所示：

图1 模糊神经网络结构

第一层为输入层：该层的各个结点直接与输入变量的各分量连接，它起着将输入值传送到下一层的作用，该层的结点数共用2个，分别是变量误差e的模糊量和误差的变化量ec的模糊量。

第二层为模糊层：该层的每个节点代表一个语言变量值，如NB，PS等。它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数，2个输入向量的模糊划分空间数目都为7，模糊隶属函数都取高斯函数

式(2)中cij和δij分别是高斯函数的中心和宽度。该层的结点数共用14个。

第三层为模糊规则层：该层中每一个节点代表一条模糊规则，根据输入样本模糊空间的划分确定规则数目，E和EC划分为7个模糊空间，规则数则为49条。规则层中αi计算如下所示

第四层为输出层：该层所实现的是解模糊化，即将模糊推理结果转化为精确值的过程，见公式(5)。

上面所给出的模糊神经网络本质上是一种多层前馈网络，可以用多层前向网络BP算法调整参数的学习。网络中，除第四层外，各层的连接权值均设定为1。由此可见，该神经网络的每一层对应于模糊控制器的每一步设计，清晰地反映了模糊推理的全过程，与常规神经网络不同之处是参数不再是体现于连接权值而反映在连接点上。

3 遗传算法离线训练模糊神经网络控制器

3.1 遗传算法优化的模糊神经网络网络控制器

图1所示模糊神经网络中学习优化的参数包括模糊规则层到输出层的连接权系数 和模糊层高斯隶属函数的中心 和宽度 。这里用混合算法对模糊神经网络进行训练，首先用遗传算法对模糊神经网络控制器的连接权系数和隶属函数进行离线训练，然后再用BP学习算法对模糊神经网络控制器的学习参数进行进一步的在线训练。用遗传算法优化的模糊神经网络控制器系统结构如图2所示。

图2 遗传算法优化模糊神经网络控制器系统结构

3.2 遗传算法优化模糊神经控网络制器的步骤

遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按所选择的适配值函数并通过遗传中的复制、交叉及变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，使群体中个体适应度不断提高，直到满足一定的条件。遗传算法优化模糊神经网络控制器的流程图如图3所示。遗传算法优化模糊神经网络参数的主要步骤如下：

1）编码和适应度函数的确定

浮点数编码方法是指个体的每个基因值用某一范围的一个浮点数来表示，个体的编码长度等于变量的位数。浮点数编码由于没有映射误差，并且省去了编码和解码过程占用的时间，对于连续实数域内的参数优化问题，浮点数编码优于二进制编码。适应度函数定义为

其中E=(c'-c)2，c'为期望输出值，c为网络实际输出值。

2）随机联赛选择

随机联赛选择是基于个体适应度之间大小关系的选择方法。每次选择时，从群体中随机选取2个个体进行适应度大小的比较，将其中适应度高的个体遗传到下一代群体中。将上述过程重复M次，就可以得到下一代群体中的M个个体。

3）交叉和变异操作

交叉重组是遗传算法中的一个主要环节，交叉操作的作用是组合交叉2个个体中有价值的信息产生新的后代，它在群体进化期间大大加快了搜索速度。交叉概率PC越大，新个体产生的速度就越快，然而PC过大使得具有高适应度的个体结构很快就会被破坏，PC过小，会使搜索过程缓慢，以至停滞不前。一般取PC= 0.5 ～ 0.9。

变异操作的作用是保持群体中基因的多样性，以防止出现未成熟收敛。变异概率Pm过小，不宜产生新的个体结构，Pm取值过大，遗传算法就成了纯粹的随机搜索算法。一般取Pm= 0.001 ～ 0.08。

图3 遗传算法优化模糊神经网络控制器的流程图

4 仿真研究

模糊神经网络控制器的输入是误差e和误差变化量ec，它们的模糊子集为{ NB，NM，NS，ZO，PS，PM，PB }，这样模糊神经网络控制器的结构为2-14-49-1，见图1。

用遗传算法优化模糊神经网络控制器时学习参数分别为群体规模M=60，交叉概率PC=0.65，变异概率Pm=0.008，选择方法为随机联赛。

BP算法在线学习的误差性能指标函数为：

分别采用传统PID控制、模糊控制和遗传算法优化的模糊神经网络控制相比较,输入为阶跃函数,响应曲线为图4所示。

图4 系统仿真响应曲线

从图4中可以看出，PID控制的响应速度快，但出现较大的超调；模糊控制无超调量，但响应速度慢；遗传算法优化模糊神经网络控制器调节时间短、超调量小、稳态误差小等非常理想的性能指标。

5 结论

文中设计的遗传算法优化模糊神经网络控制器利用了模糊控制,BP神经网络、遗传算法各自的优点，将遗传算法用于模糊神经网络参数的离线全局寻优,将BP算法用于参数的实时学习,两者的有机结合克服了单独应用遗传算法或BP算法调节模糊神经网络控制器参数存在的缺陷。仿真结果表明，用遗传算法优化的模糊神经网络控制器来控制烘干炉的温度具有更优的控制效果。

[1] 刘金琨.先进PID控制MATLAB仿真(第二版)[M].北京:电子工业出版社,2004.

[2] 赵振宇,徐用愚.模糊理论和神经网络的基础与应用[M].北京:清华大学出版社,广西科学技术出版社,1996.

[3] 于锡玲,柏葳,王艳秋.基于GA和BP算法复合调节的模糊神经网络控制器[J].辽宁工学院学报,2005,25(2):7-9.

[4] 张鹏,方康玲,邓华昌.一种基于遗传算法的模糊控制器研究[J].机械设计与制造,2009,12:18-19.

[5] 师宁,侯国强.基于遗传算法的模糊神经控制器的设计与仿真[J].河北:理工大学学报(自然科学版),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

北方民族大学校级项目“基于遗传算法的模糊神经网络控制器的研究”的研究成果 （2007Y030）

马占有（1979 -），男，宁夏固原人，讲师，研究方向为嵌入式系统和智能控制。