12、模糊控制系统规则库合成与优化的生物启发算法研究

模糊控制系统规则库合成与优化的生物启发算法研究

1. 研究背景与目标

在模糊控制系统中，规则库（RB）的合成与优化是关键环节。尤其是对于Mamdani型模糊自适应控制系统（FACSs），在初始信息不足、规则数量较多且专家知识难以有效构建规则库的情况下，如何高效地合成和优化规则库是一个重要问题。研究聚焦于生物启发算法，如蚁群优化算法（ACO）和遗传算法（GA），并与基于顺序搜索的自动规则库合成算法进行比较，旨在找到不同情况下最适合的规则库合成与优化算法。

2. 优化向量介绍

在模糊控制系统中，有多个向量需要进行优化，这些向量对于系统的性能有着重要影响，具体如下：
- 向量XIS ：定义模糊控制器（FC）输入变量。
- 向量XIT ：确定FC输入变量的语言项（LTs）的数量、类型和参数。
- 向量XFIE ：定义模糊推理引擎的聚合、激活和累积操作。
- 向量XDF ：定义FC输出变量uFC的LTs的数量、类型和参数，以及其去模糊化方法。

3. 评估标准

为了评估不同算法的有效性，引入了两个专门的标准：
- 规则库复杂度通用指标（CRB） ：用于定量评估规则库的复杂度。
- 相对性能指标（KRPI） ：通过该指标可以比较不同算法在不同规则库结构下的性能。

4. 算法应用与实验

将ACO算法、GA和顺序搜索算法（S