《GA与神经控制》ppt课件

1、15-8 GA与神经控制与神经控制神经网络作辨识器与控制器，广用的是BP网络。缺乏之处： 收敛速度慢、不可防止的存在部分极小、动态特性不够理想，对时变动态系统，学习精度受一定的限制。GA用于神经辨识器与控制器的训练，即用GA优化网络权系，其特点： 1控制器辨识器具有神经网络的广泛影射才能。 2GA的全局、并行寻优，及增强式学习才能。从而具备二者的优点，进步控制系统的性能，对非线性、时变、滞后等被控对象，在控制精度、鲁棒性和动态特性方面，都可得到改善。神经辨识器与控制器的GA优化步骤： 与节5-7所述神经网络GA优化步骤一样。 12 例例5-7-1 倒立摆系统的神经控制 倒立摆系统是一非线性、不

2、稳定的典型被控对象，已有许多控制策略和研究成果。 本例为由神经网络控制器实现对倒立摆的控制，且网络的权系用GA进展优化，控制构造见图5-7-1。 1. 被控对象被控对象倒立摆系统倒立摆系统 带轮小车，其上用铰链系一钢性杆，小车可沿有界轨迹左右做直线运动；杆可在垂直平面内运动，见图。设系统的状态向量： x( ), , , , txxxxx xTT1234 ( ) t、( )t：杆偏离垂直方向的角度、角速度； x t ( )、( )x t：车的位置、速度。 x GA 训练 u 倒立摆系统 神经控制器 图 5-8-2 倒立摆系统 u=F 2l x 0 23 系统在力)()(tFtu作用下运动描述：(

3、 )sin( )cos ( )( ) ( )sin( )sgn ( )( )/( / )cos( )( )( ) ( )sin( )( )cos ( )sgn ( ) tmgttF tm lttx tt m m lmlm ltx tF tm lttttx tmpppp2122214 3 m、mp：车与杆的质量、杆的质量； l：1/2 杆长； g：重力加速度，9.8m / s2； 1、2：车与地的磨擦系数、车与杆的磨擦系数。 图 5-8-2 倒立摆系统 u=F 2l x 0 34 xx u1 u=F c 图5-8-3 神经控制器构造 2. 神神经经控控制制器器 由上式，神经控制器是四输入单输出网

4、络，输入)(tx，输出 )(tu： );()( 1Wx tNgtu )( 1)()(tcutFtu 控制的目标：在)(tu作用下，使倒立摆系统满足以下条件： | ( )|( )tax tb ，tt1 a、b、t1：设定值，给小车加作用力F，在尽可能长的时间内： 使小车不超出定义的轨迹界限 ()b； 小车上的杆与垂线的偏角，不超出定义的角度界限 ()a。 45 3. GA 训练网络权系训练网络权系 W GA优化 W 步骤： （1）设倒立摆系统初始状态 x( )( ),( ),( ),( ) ( ), ( ), ( ), ( )0000000001234xxxxxxTT 其中 ( )(),( )(

5、), ( ), ( )0000000000aaaxbbbx （2）选三层前馈网 网络输入是系统的状态)(tx，输出是控制力)()(tFtu。隐节点数，在优化过程中确定。取隐节点、输出节点的非线性作用函数： fzzfzazz121111( )/ (exp()( )(exp() / (exp() xx u1 u=F c 图5-8-3 神经控制器构造56 （3）GA编码用二进字符串 设 wkij( )：解空间实际权系值，范围wkwwijijij( )() ()minmax wkbij( )：GA空间权的位串表示（整数）。 二者间关系： )()(12)(minmaxminijijdbijijijwww

6、ww d：二进位串的位数 （4）定义适应度 f 为稳定时间 T，使系统满足以下条件的网络： | ( )|( )tax tb xx u1 u=F c 图5-8-3 神经控制器构造67 xx u1 u=F c 图5-8-3 神经控制器构造 （5）确定GA的参数( ,)(, ., . )N p pcm 50092003； GA操作：轮盘法选择、一点交叉； （6） 在GA空间， 随机产生N=50个体初始群体， 网络结构为 pmnN,， 网络的权个数 （权值+阈值）： )()(pmmmnM 每一权值位数是d，每一个体长度MdL 本例神经控制器结构见图5-8-3： 1 , 5 , 4,NNNNCpmn M

7、=31) 15 () 554( 取d=10 310MdL 78 （7）前向计算 将 GA中个体译码至解空间； 由)0(x起，前向计算网络输出，得到控制力)(tu； 作用于系统，产生下一时刻输出) 1( tx； 若有一个网络满足条件，则优化 W 的 GA结束； 否则，至步骤（8）。 （8）进行 GA操作 按设定的ppcm,，进行 GA操作，产生下一代种群，返回步骤（7）。 xx u1 u=F c 图5-8-3 神经控制器构造89仿真仿真 表5-8-1 神经网络控制器的权系值 j=1 j=2 j=3 j=4 j=5 i=1 435.5 73.5 506.5 222.5 217.5 隐 i=2 18

8、0.5 259.5 119.5 480.5 428.5 i=3 457.5 335.5 212.5 421.5 362.5 层 i=4 419.45 113.5 337.5 190.5 422.5 阈值 192.5 336.5 1.5 506.5 212.5 i=1 175.5 输 i=2 139.5 i=3 785 出 i=4 131.5 i=5 227.5 层 阈值 461.5 设：6241102,105,5 . 0,1 . 0,1 . 1mlkgmkgmp 随机生成倒立摆系统初始状态： )0(),0(),0(),0()0(xxx 其中 ( ),( )., ( ), ( )06001000

9、00 xmx 网络权系值：51155115.wij， c=10 按倒立摆系统模型，用 GA 优化，得到的最优神经控制器权系值，见表。 910在上表神经控制器作用下，用MATLAB的SIMULINK进行仿真，见图。 采样周期s02. 0 仿真系统能给出控制过程中倒立摆系统的状态数据，且有动画演示。 图5-8-4 仿真系统Dem uxDemux倒 立 摆离 散 状 态 估 计 器神 经 网 络M uxMux20参 照 物动 画 演 示tTo W orkspace时 钟pendat.m at生 成 文 件1011图5-8-5 控制过程图 5-8-5 为倒立摆控制系统运动轨迹仿真一例。设120，初始状态：x( ) ( ), ( ), ( ), ( ), , , 000002 0000 xx。给出偏角 及小车位置x的控制过程，