智能控制復(fù)習(xí)思考題

一.模糊控制部分智能控制與傳統(tǒng)控制相比，有哪些主要的特點(diǎn)？答：1、學(xué)習(xí)功能：智能控制器能通過從外界環(huán)境所獲得的信息進(jìn)行學(xué)習(xí)，不斷積累知識(shí)，使系統(tǒng)的控制性能得到改善2、適應(yīng)功能:智能控制器具有從輸入到輸出的映射關(guān)系，可實(shí)現(xiàn)不依賴于模型的自適應(yīng)控制，當(dāng)系統(tǒng)某一部分出現(xiàn)故障時(shí)，也能進(jìn)行控制。3、 自組織功能：智能控制器對(duì)復(fù)雜的分布式信息具有自組織和協(xié)調(diào)的功能，當(dāng)出現(xiàn)多目標(biāo)沖突時(shí)，它可以在任務(wù)要求的范圍內(nèi)自行決策，主動(dòng)采取行動(dòng)。4、 優(yōu)化能力：智能控制能通過不管你優(yōu)化控制參數(shù)和尋找控制器的最佳結(jié)構(gòu)形式，獲得整體最有的控制性能。簡(jiǎn)述模糊集合的基本定義以及與隸屬函數(shù)之間的相互關(guān)系。答：定義： 1XGARA(x)=<(0,1)X屬于A的程度(0X冬A其中A稱為模糊集合，由0，1及七(x)構(gòu)成。七⑴表示元素x屬于模糊集合A的程度，取值范圍為［0,1］，稱七⑴為x屬于模糊集合A的隸屬度。論域U中的模糊子集A，是以隸屬函數(shù)七為表征的集合A。七(")稱為模糊子集的隸屬函數(shù)，七稱為u對(duì)A的隸屬度，它表示論域U中的元素u屬于模糊子集A的程度。它在［0，1］閉區(qū)間內(nèi)可連續(xù)取值，隸屬度簡(jiǎn)記為A(u)。相互關(guān)系：模糊集合是以隸屬函數(shù)來描述的，隸屬度的概念是模糊集合理論的基石。給定變量論域，請(qǐng)?jiān)谄渖显O(shè)計(jì)幾個(gè)模糊子集，并用隸屬函數(shù)予以描述。答：1、設(shè)論域U=｛張三，李四，王五｝，評(píng)語為“學(xué)習(xí)好”。設(shè)三個(gè)人學(xué)習(xí)成績(jī)總評(píng)分是張三得95分，李四得90分，王五得85分，三人都學(xué)習(xí)好，但又有差異。假若采用模糊子集的概念，選?。?,1］區(qū)間上的隸屬度來表示它們屬于“學(xué)習(xí)好”模糊子集A的程度，就能夠反映出三人的差異。彳：用①屈朋敖M.\E)=x/1()()，由〔人的成項(xiàng)叫如〔人“學(xué)習(xí)好”的隸屬度為(張三戶0.95,(李四>0.90,(王五戶0.85。用“學(xué)習(xí)好”這一模糊子集A可表示為：A=(0.95,0.90,0.85｝其含義為張三、李四、王五屬于“學(xué)習(xí)好”的程度分別是0.95,0.90,0.85<,2、例3.3以年齡為論域，取X=［0,200］,Zadeh給出了“年輕”的模糊集Y,其隸屬函數(shù)為1 0<x<25心=同勺］'2551。。I5在上述第3題的基礎(chǔ)上，任意給定一個(gè)變量值，請(qǐng)求對(duì)應(yīng)的模糊量表達(dá)式。常用的模糊并和模糊交算子是怎樣進(jìn)行運(yùn)算的？有什么特點(diǎn)？并集若C為A和B的并集，則C=AUB一般地，(例：取并，成績(jī)優(yōu)秀或體育好的特長(zhǎng)生，即將成績(jī)優(yōu)秀和體育好的人合并起來后，各人的隸屬度取大值)KU8=ZUJ8(〃)=max0』(")/g("))=力(以)v用(")交集若C為A和B的交集，則C=AHB一般地，(例：取交，三好生要求成績(jī)優(yōu)秀和體育好，即將成績(jī)優(yōu)秀和體育好的人合并起來后，各人的隸屬度取小值)解釋什么叫做模糊關(guān)系？1.模糊關(guān)系的定義定義2—11所謂A,B兩集合的直積Ay.B={(a,b)\aeAeb}中的一個(gè)模糊關(guān)系R，是指以AxB為論域的一個(gè)模糊子集，序偶(aM)的隸屬度為四(口M)。一般地，若論域?yàn)閚個(gè)集合的直積為,則它所對(duì)應(yīng)的是n元模糊關(guān)系R,其隸屬度函數(shù)為n個(gè)變量的函數(shù)丹(""?.&),顯然當(dāng)隸屬度函數(shù)值只取“0”或“1”時(shí)，模糊關(guān)系就退化為普通關(guān)系。

試確定條件語句“若A且B則C”所決定的模糊關(guān)系R。現(xiàn)已知A’和B’,求C’。其中A=1/x1+0.5/x2, B=0.1/y1+0.5/y2+1/y3,C=0.2/z1+1/z2, A’=0.8/a1+0.1/a2, B’=0.5/b1+0.2/b2+0/b3同時(shí)用MATLAB仿真計(jì)算，驗(yàn)證結(jié)果。答：例子：以上就是模糊關(guān)系的計(jì)算過程以上就是模糊關(guān)系的計(jì)算過程其中:c其中:cn=(anAb11)v(a12Ab21)ci2=(anAb12)v(a12Ab22)C21=(a21Abn)v(a22Ab21)c”=(a^iAb”)\/(a”/\b”)當(dāng)輸入為A】和Bi時(shí)，有:i0.1當(dāng)輸入為A】和Bi時(shí)，有:i0.10.51(A】XB])=0-5o[0.10.51]=010.50.50.1010.10.1將A]XB]矩陣擴(kuò)展成如下行向量：(AXB)T2=[0-10.51QIft50.50.1QIftl|（即按行轉(zhuǎn)換成行），[QI051aiQ5Q5QIQIQl

ftl最后得:C]=Q4Q4dlG4Q4ftlttl05Q5aiiQ6aiai-tTftlai二[0405]0.4 0.5即：C]=0]+c2根據(jù)Matlab例程Chp3_5可得:0.10000.10000.20000.50000.20001.00000.10000.10000.20000.50000.20000.5000000000Cl=0.2000 0.2000請(qǐng)以2輸入1輸出系統(tǒng)為例，解釋模糊邏輯的強(qiáng)度轉(zhuǎn)移法是如何進(jìn)行模糊推理的？①)業(yè)仃多個(gè)布件的巾-,規(guī)蛔設(shè)X,、K、月和。*、。分別是論域X、丫和z上的模糊集合，己知X、?和。間的模糊關(guān)系確定。根據(jù)此模糊關(guān)系和論域x、v上的模糊集合T、曹,推出論域z上新的模糊集合。即 五前提(規(guī)則)； ifis』andFis評(píng)，then二isI小前提(卡實(shí))； -visA*and,vis曹TOC\o"1-5"\h\z后件(結(jié)論): s首先求適配度切京和(D-:?3=V[#t(r)A代；(-')]球. (328)的=窟#礦(％相(力]然后求激勵(lì)強(qiáng)度口：山=曜伽 (329)最后用激勵(lì)度與模糊規(guī)則的后件作乘積合成運(yùn)算，即&.()')=?烷⑴ (3.2.10)圖3.2.7給出了兩個(gè)前件的單一規(guī)則的Larsen模糊推理過程，其中推理結(jié)果L的MF是模糊集合。的MF與激勵(lì)強(qiáng)度^(6)=^^)合成的結(jié)果。這種合成方法可以直接推廣到具有多于兩個(gè)前件的情況。圖3.2.7多前提單規(guī)則的Larsen模糊推理過程清以2輸入I輸出系統(tǒng)為例.解釋強(qiáng)度轉(zhuǎn)移法是如何進(jìn)行模糊推理的，答：強(qiáng)度轉(zhuǎn)移法是指.當(dāng)某條模糊現(xiàn)則前件破激活后.由前件得到的隸福函數(shù)（通常由各子前件的隸屬函數(shù)取小來獲得）直接轉(zhuǎn)移到后件上來.獲得后件輸出的隸屬函數(shù)。及將前件獲得的強(qiáng)度直接轉(zhuǎn)移到后件上欒，該方SZ的特點(diǎn)是.不需要通過計(jì)算模糊美系炬降而可以直接獲得輸出結(jié)果，計(jì)算相對(duì)簡(jiǎn)單。對(duì)于3輸入1輸出系統(tǒng)而M任一條破激活規(guī)則的前件中2語宿變量的隸屬度取小后.直接轉(zhuǎn)移到規(guī)則后件.作為后件的隸幅度值；筮條規(guī)則的結(jié)果取并后，再由清晰化方法成出最后摘出結(jié)果，模糊推理中的強(qiáng)度轉(zhuǎn)移法與依賴模糊關(guān)系R來進(jìn)行推理運(yùn)算相比，有什么優(yōu)點(diǎn)？在激勵(lì)強(qiáng)度的求取和推理合成時(shí)，用乘積運(yùn)算代替了取小運(yùn)算解釋常用的幾種清晰化方法的幾何含義。（1）重心法；（2）最大隸屬度法；（3）面積中心線法。（1）最大隸屬度法選取推理結(jié)果模糊集合中隸屬度最大的元素作為輸出值，即z0=max//z（z）, zeZ最大隸屬度法不考慮輸出隸屬度函數(shù)的形狀，只考慮最大隸屬度處的輸出值。因此，難免會(huì)丟失許多信息。它的突出優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。在一些控制要求不高的場(chǎng)合，可采用最大隸屬度法。

(2)重心法為了獲得準(zhǔn)確的控制量，就要求模糊方法能夠很好的表達(dá)輸出隸屬度函數(shù)的計(jì)算結(jié)果。電心法是取隸屬度函數(shù)曲線與橫坐標(biāo)圍成面積的重心為模糊推理的最終輸出值，即JzC(z)dzJC(z)也z(ifx-Aandy=B(ifx-Aandy=B(3)加權(quán)平均法thenz=C)工業(yè)控制中廣泛使用的反模糊方法為加權(quán)平均法，輸出值由下式?jīng)Q定iiz= —0&ii=1其中系數(shù)￡的選擇根據(jù)實(shí)際情況而定。不同的系數(shù)決定系統(tǒng)具有不同的響應(yīng)特性。當(dāng)系數(shù)k取隸屬度R/(匕)時(shí)，就轉(zhuǎn)化為重心法。常規(guī)的PID調(diào)節(jié)器中，P、I、D參數(shù)各起什么主要什么作用？答：P：【比例】加快系統(tǒng)的響應(yīng)速度，提高系統(tǒng)的調(diào)節(jié)精度，減少誤差。I：【積分】起到消除靜態(tài)誤差作用。D:【微分】改善系統(tǒng)的動(dòng)態(tài)性能，抑制偏差向任何方向變化，對(duì)偏差變化進(jìn)行提前預(yù)報(bào)。將模糊集合概念運(yùn)用于傳統(tǒng)系統(tǒng)控制中，通?？梢圆扇∧男┳龇?？各有什么主要特點(diǎn)？14,將模糊集合概念運(yùn)用于傳統(tǒng)系統(tǒng)控制中，通?？梢圆扇∧男┳龇?？各有什么主要特點(diǎn)？答:].Fuzzy-PID復(fù)合控制：2一口適應(yīng)模糊控制；專家模糊控制；神經(jīng)模糊控制；多變量模棚控制請(qǐng)學(xué)會(huì)運(yùn)用MATLAB進(jìn)行(1)常規(guī)系統(tǒng)仿真；(2)模糊系統(tǒng)設(shè)計(jì)和仿真。例如：已知受控對(duì)象為G(S)=e-0.5(105+1)，假定系統(tǒng)給定階躍值r=30，采樣時(shí)間為0.5秒，系統(tǒng)初始值r(0)二0，試分別設(shè)計(jì)：常規(guī)PID控制器；(2)常規(guī)模糊控制器；(3)模糊PID控制器；分別對(duì)上述3中控制器進(jìn)行MATLAB仿真，并比較控制效果。答:普通PID控制mi崢 "控制效果比較：E)單純P1D控制器的效果不如P【D十模糊控制的效果好.這是齒為P1D在同時(shí)滿足響應(yīng)的快速性和超調(diào)要小的時(shí)候，存在矛盾；(2)P1D參數(shù)日適應(yīng)變化時(shí)，控制效果強(qiáng)于參數(shù)不變的情況口因?yàn)?，固定的參?shù)難于同肘滿足控制過程中各個(gè)階段的要求。二.神經(jīng)網(wǎng)絡(luò)部分解釋什么叫做神經(jīng)網(wǎng)絡(luò)？人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)是模擬人腦思維方式的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代生物學(xué)研究人腦組織成果的基礎(chǔ)上提出的，用來模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為。神經(jīng)網(wǎng)絡(luò)反映了人腦功能的基本特征，如并行信息處理、學(xué)習(xí)、聯(lián)想、模式分類、記憶等。BP網(wǎng)絡(luò)的結(jié)構(gòu)是怎樣的？具有什么主要特點(diǎn)？7.2BP神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)(BackPropagation)是一種單向傳播的多層前向網(wǎng)絡(luò).因其誤差反向傳播，簡(jiǎn)稱BP算法，其基本思想是梯度下降法.它采用梯度搜索技術(shù),以期使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。7.2.1BP網(wǎng)絡(luò)特點(diǎn)包括輸入層、隱含層和輸出層】層與層之間采用全互連方式’同一層神經(jīng)元之間不連接;權(quán)值通過&學(xué)習(xí)算法進(jìn)行調(diào)節(jié)；神經(jīng)元激發(fā)函數(shù)為S函數(shù)；學(xué)習(xí)算法由正向傳播和反向傳播組成；層與層的連接是單向的，信息的傳播是雙向的.722BP網(wǎng)絡(luò)結(jié)構(gòu).含一個(gè)隱矗的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖7?5所示，圖中有輸入層神經(jīng)元、隱層神經(jīng)元、輸出層神經(jīng)元。輸入層 障層 輸出層節(jié)點(diǎn) 節(jié)點(diǎn)節(jié)點(diǎn)寫出單一神經(jīng)元從輸入到輸出的表達(dá)式。為什么說，神經(jīng)網(wǎng)絡(luò)可以成為函數(shù)的萬能逼近器？7.2.3BP網(wǎng)絡(luò)的逼近BP網(wǎng)絡(luò)逼近的結(jié)構(gòu)如圖7-6所示，圖中k為網(wǎng)絡(luò)的迭代步驟，u(k)和y(k)為逼近器的輸入°BP為網(wǎng)絡(luò)逼近器，y(k)為被控對(duì)象實(shí)際輸出，yn(k)為BP的輸出。將系統(tǒng)輸出y(k)及輸入u(k)的值作為逼近器BP的輸入，將系統(tǒng)輸出與網(wǎng)絡(luò)輸出的誤差作為逼近器的調(diào)整信號(hào)。， it淀工忍*季7.2.4BP網(wǎng)絡(luò)的優(yōu)缺點(diǎn)BP網(wǎng)絡(luò)的優(yōu)點(diǎn)為：(1)只要有足夠多的隱層和隱層節(jié)點(diǎn)，BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系；（2） BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近算法。（3） BP網(wǎng)絡(luò)輸入輸出之間的關(guān)聯(lián)信息分布地存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)中，個(gè)別神經(jīng)元的損壞只對(duì)輸入輸出關(guān)系有較小的影響，因而BP網(wǎng)絡(luò)具有較好的容錯(cuò)性。BP網(wǎng)絡(luò)的主要缺點(diǎn)為：（1） 待尋優(yōu)的參數(shù)多，收斂速度慢；（2） 目標(biāo)函數(shù)存在多個(gè)極值點(diǎn)，按梯度下降法進(jìn)行學(xué)習(xí)，很容易陷入局部極小值；（3） 難以確定隱層及隱層節(jié)點(diǎn)的數(shù)目。目前，如何根據(jù)特定的問題來確定具體的網(wǎng)絡(luò)結(jié)構(gòu)尚無很好的方法，仍需根據(jù)經(jīng)驗(yàn)來試湊編程練習(xí)。采用BP網(wǎng)絡(luò)進(jìn)行模式識(shí)別，訓(xùn)練樣本為3對(duì)2輸入1輸出的數(shù)據(jù)樣本。輸入輸出10100001-1請(qǐng)采用BP網(wǎng)絡(luò)，并對(duì)其進(jìn)行反復(fù)訓(xùn)練，確定出所有BP網(wǎng)絡(luò)數(shù)據(jù)。然后進(jìn)行效果測(cè)試。測(cè)試數(shù)據(jù)為（1，0.1），（0.5,0.5），（0.1，1）。三?遺傳算法簡(jiǎn)述遺傳算法是如何實(shí)現(xiàn)優(yōu)化的？簡(jiǎn)述遺傳算法的主要特點(diǎn)。

遺傳算法中的3個(gè)算子是如何進(jìn)行使用的？給定交叉概率Pc=0.65，變異概率Pm=0.09,種群中個(gè)體數(shù)M=50,個(gè)體的碼長(zhǎng)CODEL=16位；一代群體記錄在矩陣E[50][16]中。請(qǐng)用M語言寫出:實(shí)現(xiàn)交叉算法的子程序；實(shí)現(xiàn)變異算法的子程序。并在程序中加上相應(yīng)的注釋語句。答：(1)%************Step3:交叉操作““““““““““““小小小小小小小小小小小小pc=0.65;pc=0.65;n=ceil(20*rand);fori=1:2:(Size-1)是否要交叉temp=rand;ifpc>tempforj=n:1:20TempE(i,j)=E(i+1,j);只變后面部分TempE(i+1,j)=E(i,j);endendend%被交叉的個(gè)體會(huì)替換復(fù)制的個(gè)體%交叉概率%隨機(jī)數(shù)0?20,要交叉的比特?cái)?shù)隨機(jī)發(fā)生%從1到79個(gè)個(gè)體，對(duì)每一對(duì)，判斷一次%產(chǎn)生一個(gè)隨機(jī)數(shù)來決定是否發(fā)生交叉%交叉條件：給定交叉概率>隨機(jī)數(shù)%交叉的位置取決于前面得到的隨機(jī)數(shù)n%第i與第i+1個(gè)體交叉，交叉位數(shù)從n--20,%交叉TempE(Size,:)=BestS;%最優(yōu)的個(gè)體不參與交叉E=TempE;%替換，保留交叉結(jié)果，80個(gè)個(gè)體%************Step4:變異操作““““““““““““““““““““““““小小小小小小小小小小小小小小小小小小小小小小小小遍歷個(gè)體每遍歷個(gè)體每1比特%產(chǎn)生一個(gè)隨機(jī)數(shù)來決定是否發(fā)生變%變異條件：給定變異概率>隨機(jī)數(shù)%