第八章 自适应与智能控制系统的设计 《控制系统仿真与CAD》精品课课件.pptVIP

第 8 章智能控制系统计算机辅助设计;主要内容;8.1 自适应控制系统设计; 控制原理图; 模型参考自适应系统;将对象模型的一阶环节模型由原来的 改写成 ， 系统参数选择 控制器参数 ， 取 输入信号为方波信号且其幅值为 10 , 频率为 1 ，并将仿真 范围设置为 0~15 秒，进一步调整系统模型的参数 ，使 之在 0.02 , 0.1 , 1 , 2 , 5 , 10 的范围内变化，进行仿真 :;当;8.1.2 自校正控制器设计与仿真;该方程的矩阵形式;用 MATLAB 语言编写的求解通用函数;【例8-1】已知某 Diophantine 方程中; 提前 d 步预测;【例8-2】已知某系统的离散模型为 试求出提前两步的预测模型。; 提前两步预报的仿真模型; 最小方差控制器设计;自适应控制律;【例8-3】假设;8.1.3 广义预测控制系统与仿真;【例8-4】假设受控对象模型为;8.2 模糊控制及模糊控制器设计;8.2.1 模糊逻辑与模糊推理; 把新生成的规则矩阵 R ，补加到模糊推理系统 f i s 原有规则后;8.2.2 模糊 PD 控制器设计 ; 8 段模糊子集示意图;建立模糊推理系统模型的步骤：;编辑模糊推理系统 选择 Edit – Rules 菜单项，由 Add rule 添加规则，用 Change rule 修改规则。建立起模糊推理规则后，由 View – Rules 和 View – Surface 菜单项得出规则显示图形。 模糊推理系统的存储 选择 File -Export 菜单项将 建立起来的模糊推理系统存成 * . f i s 文件或存成 MATLAB 工作空间中的变量。;【例8-5】;8.2.3 模糊 PID 控制器设计;计算控制量; 模糊 PID 控制器控制框图;【例8-6】;8.3 神经网络及神经网络控制器设计;8.3.1 神经网络简介; 神经元的基本结构;8.3.2 基于单个神经元的  PID 控制器设计;,归一化权值; 基于单个神经元的 PID 控制器模块框图;【例8-7】对受控对象 利用单神经元 PID 控制器模块进行仿真计算;8.3.3 基于反向传播神经网络的 PID 控制器;【例8-8】受控对象; 系统仿真框图;8.3.4 基于径向基函数的神经网络 的 PID 控制器;【例8-9】; 系统仿真框图;8.4 基于遗传算法的最优控制器设计;8.4.1 遗传算法简介; 计算选择函数的值，所谓??择即通过概率的形式从种群中选择若干个体的方式。遗传算法最优化工具箱提供了 3 个选择函数，其中 roulette( )实现了轮盘选择算法，normGeomSelect( )函数实现了归一化几何选择方法，tournSelect( )实现了锦标赛形式的选择方式，normGeomSelect( )函数为默认选择函数。 通过染色体个体基因的复制、交叉、变异等创造新的个体，构成新的种群 ，其中复制、交叉和变异都有相应的 MATLAB 函数，gaopt( ) 函数选择其中默认的方法进行这样的处理，构成新的种群。 i=i+1 ，若终止条件不满足，则转移到步骤③继续进化处理。 ;和传统最优化算法比较，遗传算法的主要不同点：;8.4.2 基于遗传算法的最优化 问题求解;【例8-10】;编写一个描述目标函数的文件：;【例8-11】试用遗传算法求解下面的线性规划问题;Date;8.4.3 基于遗传算法的最优 控制问题求解;用 MATLAB 函数来描述此最优化问题的目标函数;【例8-13】; 常规 PD 控制的寻优;8.5 本章要点简介;提供了一些基于神经网络的控制器模型，并对其中大部分算法代码进行了改写，封装成控制器模型，可以在仿真中直接使用。客观地说，由于其中的一些算法选择的不是很理想，故它们只适用于提供例子的控制，若采用其他受控对象则可能效果不佳，所以在实际系统设计中可以考虑采用更好的基于神经网络的控制器算法，得到更好的控制效果。 基于遗传算法的最优化问题求解方法，并基于此方法介绍了最优控制器的设计问题。