基于免疫克隆選擇算法和模糊神經(jīng)網(wǎng)絡(luò)的無模型智能預(yù)測控制研究.pdf

1、現(xiàn)代工業(yè)對象的非線性、大時(shí)滯、強(qiáng)耦合、不確定性和時(shí)變性等復(fù)雜性一直是困擾過程控制領(lǐng)域的難題，智能優(yōu)化算法和智能控制理論應(yīng)運(yùn)而生，已經(jīng)成為當(dāng)前控制領(lǐng)域的一個(gè)研究熱點(diǎn)，成為解決各類復(fù)雜系統(tǒng)控制問題的重要工具。本文在掌握國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，將先進(jìn)控制技術(shù)和智能控制方法相融合，提出了無模型智能預(yù)測控制方案，主要研究內(nèi)容和成果概括如下：
　　 (1)、分析了人工免疫優(yōu)化算法原理與特點(diǎn)，針對克隆選擇算法具有容易陷入局部最優(yōu)等不足，對其進(jìn)

2、行了改進(jìn)，提出了免疫記憶多克隆算法(MMCSA)。主要改進(jìn)措施有：采用浮點(diǎn)編碼；增加了四種操作算子；自適應(yīng)調(diào)整算法參數(shù)；根據(jù)親和度大小將整個(gè)抗體群劃分為四類，每類抗體群采用不同的操作算子。從理論上證明了該算法的收斂性，對典型測試函數(shù)的優(yōu)化證明了該算法能夠全局收斂。
　　 (2)、對模糊C-均值(FCM)聚類算法進(jìn)行了改進(jìn)，提出了模糊核層次聚類算法(FKLC)。主要改進(jìn)措施有：引入了核聚類方法；增加了截集算子：采用MMCSA算法優(yōu)

3、化性能函數(shù)進(jìn)行全局尋優(yōu)：采用二叉樹分裂方式進(jìn)行層次聚類。仿真結(jié)果證明了該算法能有效克服FCM算法不足。
　　 (3)、在研究T-S型RBF模糊神經(jīng)網(wǎng)絡(luò)(T-SRBFFNN)的基礎(chǔ)上提出了一種T-S型動(dòng)態(tài)遞歸RBF模糊神經(jīng)網(wǎng)絡(luò)(T-SDRRBFFNN)，給出了其拓?fù)淠Ｐ停瑥睦碚撋献C明了它的收斂性，對其重點(diǎn)研究了學(xué)習(xí)算法。離線學(xué)習(xí)階段，采用FKLC算法和MMCSA算法分別確定該網(wǎng)絡(luò)的前件和后件；在線學(xué)習(xí)階段，先動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，然后

4、采用分組局部優(yōu)化策略，對隱含層和反饋層的參數(shù)采用動(dòng)態(tài)BP算法，對輸出層權(quán)值采用新型的無模型優(yōu)化算法(MFOA)。對非線性系統(tǒng)的辨識(shí)仿真結(jié)果證明了T-SDRRBFFNN比T-SRBFFNN有更強(qiáng)的逼近能力。
　　 (4)、由NARMAX模型推導(dǎo)出了無模型控制算法(MFAC)，從理論上證明了該算法的收斂性和合理性，在此基礎(chǔ)上提出了廣義無模型控制算法(GMFAC)。仿真結(jié)果證明了GMFAC比M.AC更適合控制較大時(shí)滯的非線性系統(tǒng)。