9、模糊控制系统优化的生物启发算法：比较分析

模糊控制系统优化的生物启发算法：比较分析

1. 引言

近年来，随着信息技术和计算机硬件的飞速发展，智能自动控制系统得到了广泛应用。这些系统旨在提高复杂动态设备的运行效率，适用于具有非平稳、非线性或不确定参数的设备自动化。其中，模糊控制系统是智能控制系统的一个重要类别，它基于模糊集理论、模糊逻辑和软计算。

最初，模糊控制系统主要用于控制非平稳设备，其设计基于操作人员的经验和专家评估，采用Mamdani型模糊逻辑推理。专家操作员需手动完成模糊自动控制系统（FACS）的结构和参数合成，包括选择输入和输出变量、语言项（LTs）数量、隶属函数类型、聚合、激活、积累和去模糊化方法，编写生产规则库（RB）以及确定隶属函数参数。然而，由于FACS可调参数众多，即使经验丰富的操作员也难以有效设计。

随后，Takagi - Sugeno模糊推理系统的出现扩展了FACS的应用领域并提高了开发效率。该系统的规则后果是脉冲型隶属函数，是输入变量加权瞬时值的总和。在合成此类FACS时，部分步骤被基于数学规划方法的优化程序所取代，实现了部分自动化设计，减少了主观因素的影响，但其余合成阶段仍依赖专家知识。

进一步的改进是将Takagi - Sugeno模糊推理系统与前馈神经网络相结合，形成自适应神经模糊系统，如自适应网络模糊推理系统（ANFIS）。这类系统保留了模糊规则的可解释性，并具备像传统神经网络一样的训练能力。

现代模糊控制系统主要采用先进的自动化设计方法，包含基于目标函数的结构参数优化程序，并可利用专家知识提出初步假设。目前，先进FACS的主要研究方向之一是开发、改进和测试智能自动化设计和结构参数优化方法，其中生物启发智能方法是最有前途的研究方向。

<