專利名稱：基于具有離散限制軟計算的非線性動態(tài)控制的系統(tǒng)和方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及非線性電子控制系統(tǒng)優(yōu)化。
背景技術(shù)：
反饋控制系統(tǒng)廣泛用于維持動態(tài)系統(tǒng)的輸出為一個期望值，盡管外部干擾可能會使該輸出偏離期望值。例如，受自動調(diào)溫器控制的家用空間加熱爐就是反饋控制系統(tǒng)的一個例子。自動調(diào)溫器不斷測量房間內(nèi)部的空氣溫度，并且當溫度低于期望的最小溫度時自動調(diào)溫器開啟加熱爐。當內(nèi)部溫度達到期望的最低溫度時，自動調(diào)溫器關(guān)閉加熱爐。不管外部干擾如何，例如外部溫度的降低，自動調(diào)溫器—加熱爐系統(tǒng)保持房間內(nèi)的溫度為一個基本上不變的值。許多應(yīng)用中使用到類似類型的反饋控制。
反饋控制系統(tǒng)內(nèi)的主要元件是可定義為“設(shè)備”的、輸出變量將受到控制的受控對象、機器、或過程。在上面例子中，該“設(shè)備”為房間，輸出變量為房間的內(nèi)部空氣溫度，干擾則為通過房間墻壁的熱流動(分散)。該設(shè)備被一個控制系統(tǒng)控制。在上面的例子中，控制系統(tǒng)為自動調(diào)溫器結(jié)合加熱爐。自動調(diào)溫器—加熱爐系統(tǒng)使用簡單的開啟—關(guān)閉反饋控制系統(tǒng)來維持房間的溫度。在許多控制環(huán)境下，例如電機軸位置或者馬達速度控制系統(tǒng)，簡單的開啟—關(guān)閉反饋控制是不夠的。更高級的控制系統(tǒng)則依靠比例反饋控制、積分反饋控制與微分反饋控制的結(jié)合。基于比例反饋、積分反饋、及微分反饋之和的反饋控制通常稱為PID(比例積分微分)控制。
PID控制系統(tǒng)為一種基于設(shè)備的動力學模型的線性控制系統(tǒng)。在經(jīng)典的控制系統(tǒng)中，線性動力學模型以通常是常微分方程的動態(tài)方程形式獲得。該設(shè)備被假設(shè)為相對線性、非時變的、穩(wěn)定的。然而，許多真實世界的設(shè)備是時變的、高度非線性的、且不穩(wěn)定。例如，動力學模型可能包含一些參數(shù)(例如質(zhì)量、電感、及空氣動力學系數(shù)，等等)，它們只是近似已知或者依賴于變化的環(huán)境。如果參數(shù)變化較小，且動力學模型穩(wěn)定，那么PID控制器可能符合要求。然而，如果參數(shù)變化較大或者如果動力學模型不穩(wěn)定，那么一般要給PID控制系統(tǒng)增加自適應(yīng)或智能(AI)控制功能。
AI控制系統(tǒng)使用一種優(yōu)化器，典型為非線性優(yōu)化器，來程序控制PID控制器的運轉(zhuǎn)，從而改善控制系統(tǒng)的總體運轉(zhuǎn)。
經(jīng)典的高級控制理論是基于下述假設(shè)靠近平衡點的所有受控“設(shè)備”都可以用線性系統(tǒng)近似。不幸的是，這個假設(shè)在真實世界中幾乎不成立。絕大多數(shù)設(shè)備是高度非線性的，經(jīng)常沒有簡單的控制算法。為了滿足對非線性控制的這些需求，已經(jīng)發(fā)展出了使用諸如遺傳算法(GA)、模糊神經(jīng)網(wǎng)絡(luò)(FNN)、模糊控制器等軟計算概念的系統(tǒng)。通過這些技術(shù)，控制系統(tǒng)及時進化(改變)，使自身適應(yīng)受控“設(shè)備”和/或工作環(huán)境內(nèi)可能發(fā)生的變化。
許多受控設(shè)備必須以逐步的方式從一個控制狀態(tài)轉(zhuǎn)移到另一個控制狀態(tài)。例如，步進馬達通過按受控增量步進來移動，它不能任意地從第一個軸位置移動到第二個軸位置而不步進經(jīng)過第一軸位置和第二軸位置之間的所有軸位置?；诰哂羞z傳分析器軟計算的現(xiàn)有技術(shù)控制系統(tǒng)不一定能很好地適合于必須以逐步方式改變或控制的設(shè)備，其部分原因在于遺傳分析器的運轉(zhuǎn)。遺傳分析器的染色體典型地是按照用于控制設(shè)備的一個或多個控制參數(shù)的值來編碼。遺傳優(yōu)化器發(fā)現(xiàn)新的控制參數(shù)，而不考慮先前控制參數(shù)的值或者從先前的控制參數(shù)移動到新控制參數(shù)時施加的限制。

發(fā)明內(nèi)容
本發(fā)明通過提供基于離散限制(discrete constraints)的遺傳分析器解決了這些或其它難題。在一個實施例中，具有步進編碼染色體(step-codedchromosomes)的遺傳算法用于獲得教學信號(teaching signal)，該信號為諸如步進限制控制器等具有離散限制的控制器提供了良好的控制質(zhì)量。步進編碼染色體是指至少部分染色體被限制在一個逐步字符列(stepwise alphabet)中的染色體。步進編碼染色體也可以具有為位置編碼(即以非步進限制的、相對更為連續(xù)的方式編碼)的部分。
在一個實施例中，控制系統(tǒng)使用基于最小熵這一物理定律的適應(yīng)(性能)函數(shù)。在一個實施方案中，遺傳分析器在離線模式下使用，以便為形成知識庫的模糊邏輯分類器系統(tǒng)提供一個教學信號。該教學信號可以通過使用知識庫的知識來運轉(zhuǎn)的模糊控制器被在線逼近。該控制系統(tǒng)可以用于控制由非線性、非穩(wěn)定、耗散模型描述的復雜設(shè)備。在一個實施例中，步進限制控制系統(tǒng)被構(gòu)造成用于控制步進馬達、逐步致動器、或其它步進限制系統(tǒng)。
在一個實施例中，控制系統(tǒng)包含一個學習系統(tǒng)，例如由遺傳分析器訓練的神經(jīng)網(wǎng)絡(luò)。遺傳分析器使用了可在最大化傳感器信息的同時最小化熵產(chǎn)生的適應(yīng)函數(shù)。
在一個實施例中，懸架控制系統(tǒng)使用來自學習控制單元的熵的時間微分(導數(shù))與受控制過程(或受控制過程的模型)內(nèi)熵的時間微分之差，作為對控制性能的度量。在一個實施例中，熵的計算是基于被視為開放式動態(tài)系統(tǒng)的受控制過程設(shè)備運動方程的熱動力學模型。
該控制系統(tǒng)由遺傳分析器訓練，該遺傳分析器為各個解空間產(chǎn)生一個教學信號。被優(yōu)化的控制系統(tǒng)基于從一個或多個傳感器獲得的數(shù)據(jù)提供優(yōu)化控制信號。例如，在懸架系統(tǒng)中，可以使用眾多角度及位置傳感器。在離線學習模式下(例如在實驗室、工廠、服務(wù)中心等)，使用車輛及其懸架系統(tǒng)的動力學模型(或模擬)制定出模糊規(guī)則。來自動力學模型的數(shù)據(jù)被提供給熵計算器，該熵計算器計算模型的輸入和輸出熵產(chǎn)生。輸入和輸出熵產(chǎn)生被提供給適應(yīng)函數(shù)計算器，該適應(yīng)函數(shù)計算器計算適應(yīng)函數(shù)，作為受一個或多個約束限制的遺傳分析器的熵產(chǎn)生之差。遺傳分析器使用適應(yīng)函數(shù)獲得用于離線控制系統(tǒng)的訓練信號。來自離線控制系統(tǒng)的控制參數(shù)(以知識庫的形式)隨后被提供至在設(shè)備內(nèi)的、使用來自知識庫的信息獲得控制策略的在線控制系統(tǒng)。
一個實施例包括一種通過獲得由控制器提供到設(shè)備的熵的時間微分(dSc/dt)與該設(shè)備的熵的時間微分(dSu/dt)之間的熵產(chǎn)生之差來控制非線性對象(設(shè)備)的方法。使用熵產(chǎn)生之差作為適應(yīng)(性能)函數(shù)的步進編碼遺傳算法進化出在離線控制器中的控制規(guī)則。設(shè)備的非線性穩(wěn)定性特性則使用Lyapunov函數(shù)來評估。遺傳分析器使熵最小化，并最大化了傳感器信息內(nèi)容。
在一個實施例中，該控制方法也包括通過遺傳算法發(fā)展出相對于控制器變量的控制規(guī)則。遺傳算法使用基于提供到設(shè)備的熵的時間微分(dSc/dt)與該設(shè)備的熵的時間微分(dSu/dt)之間的差的適應(yīng)函數(shù)?？梢允褂冒l(fā)展的控制規(guī)則來修正變量。
在一個實施例中，本發(fā)明包含一個適于控制非線性設(shè)備的自組織控制系統(tǒng)。該控制系統(tǒng)包括一個模擬器，該模擬器被設(shè)計成使用設(shè)備非線性運動方程的熱動力學模型。在一個實施例中，該熱動力學模型基于Lyapunov函數(shù)(V)，并且該模擬器使用函數(shù)V來分析設(shè)備狀態(tài)穩(wěn)定性的控制?？刂葡到y(tǒng)計算由控制設(shè)備的低電平控制器提供到設(shè)備的熵對時間的微分(dSc/dt)與該設(shè)備的熵對時間的微分(dSu/dt)之間的熵產(chǎn)生之差。熵產(chǎn)生之差被遺傳算法所使用以獲得一個適應(yīng)函數(shù)，在該適應(yīng)函數(shù)中該熵產(chǎn)生之差以受限制的方式被最小化。該教學信號被提供到模糊邏輯分類器，該模糊邏輯分類器通過使用學習過程決定一個或多個模糊規(guī)則。模糊邏輯控制器也被設(shè)計用于形成一個或多個設(shè)定車輛內(nèi)控制器的控制變量的控制規(guī)則。
在一個實施例中，本發(fā)明包括一種基于最小化熵產(chǎn)生的對控制質(zhì)量的新的物理估量(physical measure)，并把該物理估量用于優(yōu)化控制系統(tǒng)設(shè)計中遺傳算法的適應(yīng)函數(shù)。該方法在步進限制控制系統(tǒng)內(nèi)提供一個局部熵反饋回路。熵反饋回路通過聯(lián)系設(shè)備的穩(wěn)定性(使用Lyapunov函數(shù))和設(shè)備的可控制性(基于步進限制控制系統(tǒng)的產(chǎn)生熵)為優(yōu)化控制結(jié)構(gòu)設(shè)計做準備。步進限制控制系統(tǒng)適用于諸多控制系統(tǒng)，包括例如機械系統(tǒng)、生物機械系統(tǒng)、機器人技術(shù)、機電系統(tǒng)等控制系統(tǒng)。


圖1示出了基于軟計算的自組織智能控制系統(tǒng)的總體結(jié)構(gòu)。
圖2示出了控制質(zhì)量模擬系統(tǒng)(SSCQ)。
圖3示出了基于軟計算的具有限制控制系統(tǒng)的自組織智能控制系統(tǒng)的一般結(jié)構(gòu)。
圖4示出了限制控制系統(tǒng)的控制質(zhì)量模擬系統(tǒng)。
圖5A示出了具有SSCQ動態(tài)系統(tǒng)模型的模擬方框圖。
圖5B示出了SSCQ模式的時間表示。
圖6為SSCQ的流程圖。
圖7A為正常編碼的染色體。
圖7B示出了染色體的步進編碼。
圖7C為步進限制控制系統(tǒng)的示意圖。
圖8A示出了基因5為位置編碼通配符的示意圖。
圖8B示出了與圖8A對應(yīng)的位置編碼控制系統(tǒng)的輸出。
圖9A示出了基因5為步進編碼通配符的示意圖。
圖9B示出了與圖9A對應(yīng)的步進編碼控制系統(tǒng)的輸出。
圖10為遺傳算法的編碼及評估運算的流程圖。
圖11為輪盤式(roulette wheel)(蒙特—卡羅)選擇運算的流程圖。
圖12為交叉運算的流程圖。
圖13為突變運算的流程圖。
圖14A至圖14N是表示Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)吸引子的本質(zhì)的曲線圖。
圖15A至圖15C是表示Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)的三維吸引子的本質(zhì)的曲線圖。
圖16A至圖16N是表示具有正態(tài)概率分布的隨機激發(fā)下Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)吸引子的本質(zhì)的曲線圖。
圖17A至圖17C是表示具有正態(tài)概率分布的隨機激發(fā)下Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)三維吸引子的本質(zhì)的曲線圖。
圖18示出了具有位置編碼GA(根據(jù)表1進行編碼)的Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)的SSCQ控制的GA優(yōu)化動力學。
圖19示出了具有步進GA(根據(jù)表2進行編碼)的Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)的SSCQ控制的GA優(yōu)化動力學。
圖20A至圖20N是表示使用根據(jù)表1的GA編碼方法的控制信號優(yōu)化結(jié)果的曲線圖。
圖21A至圖21C是表示使用根據(jù)表1的GA編碼方法的控制信號優(yōu)化的三維結(jié)果的曲線圖。
圖22A至圖22N是表示使用根據(jù)表2的GA編碼方法的控制信號優(yōu)化的結(jié)果的曲線圖。
圖23A至圖23C是表示使用根據(jù)表2的GA編碼方法的控制信號優(yōu)化的三維結(jié)果的曲線圖。
圖24A至圖24C是表示時間間隔為0到60秒時，比較使用根據(jù)表1編碼方法與使用根據(jù)表2編碼方法的控制之間的曲線圖。
圖25A至圖25C是表示時間間隔為20到15秒時，比較使用根據(jù)表1編碼方法與使用根據(jù)表2編碼方法的控制之間的曲線圖。
圖26A至圖26F是表示使用根據(jù)表1的編碼方法獲得的控制誤差和控制信號的曲線圖。
圖27A至圖27F是表示使用根據(jù)表2的編碼方法獲得的控制誤差和控制信號的曲線圖。
圖28A至圖28C是表示控制誤差累積的比較的曲線圖。
圖29A至圖29B是表示隨機激發(fā)(限帶白噪音的平均值為0.0，方差為1.0)的曲線圖。
圖30A至圖30F是表示時間間隔為0到15秒時，車輛懸架系統(tǒng)模型的控制結(jié)果的曲線圖。
圖31A至圖31D是表示時間間隔為0到15秒時，得到的用于控制車輛懸架系統(tǒng)模型的優(yōu)化控制信號的曲線圖。
圖32A至圖32F是表示圖30A至30F中時間間隔為5到7秒時的控制的曲線圖。
圖33A至圖33D是表示圖31A至31D中時間間隔為5到7秒時的控制的曲線圖。
圖34A至圖34D是表示適應(yīng)函數(shù)分量累積的曲線圖。
圖35A示出了具有可調(diào)整阻尼器的懸架控制車輛的控制阻尼器布局。
圖35B示出了用于懸架控制車輛的可調(diào)整阻尼器。
圖35C示出了在圖8B的可調(diào)整阻尼器中的用于軟阻尼和硬阻尼的液體流。
圖36示出了圖35A至圖35C所示可調(diào)整阻尼器的阻尼力特性。
具體實施例方式
圖1為基于軟計算的用于控制設(shè)備的控制系統(tǒng)100的方框圖。在控制器100內(nèi)，參考信號y被提供到加法器105的第一輸入。加法器105的輸出為一個誤差信號ε，該誤差信號并被提供到模糊控制器(FC)143的輸入以及比例—積分—微分(PID)控制器150的輸入端。PID控制器150的輸出為控制信號u*，該控制信號被提供到設(shè)備120的控制輸入以及熵計算模塊132的第一輸入。干擾m(t)110也被提供到設(shè)備120的輸入。設(shè)備120的輸出為響應(yīng)x，該響應(yīng)被提供到熵計算模塊132的第二輸入以及加法器105的第二輸入。加法器105的第二輸入被求反，使得加法器105的輸出(誤差信號)為第一輸入的值減去第二輸入的值。
熵計算模塊132的輸出被作為適應(yīng)函數(shù)提供到遺傳分析器(GA)131。GA131的輸出解被提供到FNN(模糊神經(jīng)網(wǎng)絡(luò))142的輸入。FNN 142的輸出作為知識庫被提供到FC 143。FC 143的輸出作為增益排表(gain schedule)被提供到PID控制器150。
GA 131與熵計算模塊132為控制質(zhì)量模擬系統(tǒng)(SSCQ)130的一部分。FNN 142及FC 143為模糊邏輯分類器系統(tǒng)(FLCS)140的一部分。
使用一組輸入以及適應(yīng)函數(shù)132，GA 131工作的方式類似于獲得一個更靠近優(yōu)化值的解的進化過程。GA 131產(chǎn)生多組“染色體”(即，可能的解)，隨后通過使用適應(yīng)函數(shù)132評估各個解，對染色體進行分類。適應(yīng)函數(shù)132決定各個解的適應(yīng)程度等級。更為適應(yīng)的染色體(解)則對應(yīng)于適應(yīng)程度排位高的解。較不適應(yīng)的染色體則對應(yīng)于適應(yīng)程度排位低的解。
更為適應(yīng)的染色體被保留(生存)，較不適應(yīng)的染色體被遺棄(死亡)。創(chuàng)建新的染色體替代被遺棄的染色體。通過交叉現(xiàn)存染色體的片斷以及引入突變來創(chuàng)建新的染色體。
PID控制器150具有線性傳遞函數(shù)，因此是基于受控“設(shè)備”120的線性運動方程。用于程序控制PID控制器的現(xiàn)有技術(shù)遺傳算法通常使用簡單的適應(yīng)函數(shù)，因此無法解決通常線性模型中可控制性差的問題。如同絕大多數(shù)優(yōu)化器那樣，優(yōu)化的成功與否經(jīng)常最終取決于性能(適應(yīng))函數(shù)的選擇。
評估非線性設(shè)備的運動特性通常是困難的，部分原因在于缺乏普適的分析方法。按照慣例，控制具有非線性運動特性的設(shè)備時，通常是找到設(shè)備的幾個特定的平衡點，設(shè)備的運動特性在靠近平衡點的附近區(qū)域被線性化。隨后，控制則基于對平衡點附近的偽(線性化)運動特性進行評估。這種技術(shù)對于由不穩(wěn)定或耗散的模型描述的設(shè)備即使有效，其效果也很小。
基于軟計算的優(yōu)化控制計算包括GA 131，作為在固定的正解空間內(nèi)全面搜尋優(yōu)化解的第一步。GA 131搜索設(shè)備的一組控制權(quán)重(control weight)K。在產(chǎn)生被施加到設(shè)備的信號δ(K)中，傳統(tǒng)的比例—積分—微分(PID)控制器150使用權(quán)重向量K＝{k1，…，kn}。與在此信號下設(shè)備行為相關(guān)的熵S(δ(K))被假設(shè)為適應(yīng)函數(shù)以最小化。GA 131以規(guī)則的時間間隔重復幾次，以產(chǎn)生一組權(quán)重向量。GA 131產(chǎn)生的向量隨后被提供到FNN 142，F(xiàn)NN 142的輸出隨后被提供到模糊控制器143。模糊控制器143輸出為PID控制器150的增益排表的匯集。對基于GA的軟計算系統(tǒng)，經(jīng)典的控制中經(jīng)常沒有實際的控制定律，但相反地，本發(fā)明的控制是基于諸如最小熵產(chǎn)生的物理控制定律。
圖2所示為SSCQ 130的一個實施例，它是為FLCS 140產(chǎn)生教學信號Ki的離線模塊。圖10示出了SSCQ 230的結(jié)構(gòu)。SSCQ 230為SSCQ 130的一個實施例。除了SSCQ 230以外，圖2還示出了隨機激發(fā)信號發(fā)生器210、模擬模型220、PID控制器250、以及計時器20。SSCQ 230包含模式選擇器229、緩沖器i2301、GA 231、緩沖器e2302、PID控制器234、適應(yīng)函數(shù)計算器232及評估模型236。
計時器200控制SSCQ 230的激活時刻。計時器200的輸出被提供至模式選擇器2304的輸入。模式選擇器2304控制SSCQ 230的運行模式。在SSCQ230內(nèi)，參考信號y被提供到適應(yīng)函數(shù)計算器232的第一輸入。適應(yīng)函數(shù)計算器232的輸出被提供到GA 231的輸入。GA 231的輸出CGSe通過緩沖器2302被提供到PID控制器234的訓練輸入?？刂破?34的輸出Ue被提供到評估模型236的輸入。評估模型236的輸出Xe被提供到適應(yīng)函數(shù)計算器232的第二輸入。GA 231的輸出CGSi(通過緩沖器2301)被提供到PID控制器250的訓練輸入。PID控制器250的控制輸出被提供到懸架系統(tǒng)模擬模型220的控制輸入。隨機激發(fā)發(fā)生器210，為模擬模型220的干擾輸入和評估模型236的干擾輸入提供一個隨機激發(fā)信號。系統(tǒng)模擬模型220的響應(yīng)輸出Xi被提供到評估模型236的訓練輸入。通過結(jié)合GA 1031(通過緩沖器2301)的CGSi輸出和系統(tǒng)模擬模型220的響應(yīng)信號Xi，獲得SSCQ 230的輸出向量Ki。
隨機激發(fā)信號發(fā)生器210產(chǎn)生激發(fā)信號。激發(fā)信號可以是使用隨機模擬獲得的激發(fā)，或者它可以是真實的測量環(huán)境。塊210針對計時器200產(chǎn)生的各個時刻產(chǎn)生激發(fā)信號。
模擬模型220為控制對象的動力學模型?？刂瀑|(zhì)量的模擬系統(tǒng)(SSCQ)230是關(guān)于結(jié)構(gòu)的主優(yōu)化塊。它是一個離散的時間塊，其取樣時間通常等于控制系統(tǒng)的取樣時間。
在評估函數(shù)232的內(nèi)部計算熵產(chǎn)生速率，其值包含在評估模型的輸出(Xe)內(nèi)。
下述時間變量被用到TSSCQ調(diào)用的時間；Tc控制系統(tǒng)的采樣時間；TeSSCQ的評估(觀察)時間；tc具有固定控制參數(shù)的模擬模型的積分間隔，tc∈[T；T+Tc]；以及teSSCQ的評估(觀察)時間間隔，te∈[T；T+Te]。
在許多實施例中，當控制系統(tǒng)單元用于產(chǎn)生離散脈沖至控制致動器，隨后增大或減小與控制致動器(圖3)規(guī)格相關(guān)的控制系數(shù)時，SSCQ 130可以用于執(zhí)行不同類型非線性動態(tài)系統(tǒng)的優(yōu)化控制。
圖4示出了離散或步進限制控制致動器的SSCQ 430的結(jié)構(gòu)，并在與圖4相關(guān)的正文中對其進行更詳細地描述。SSCQ 430與SSCQ 230類似，因此兩者都可以用圖5A的流程圖來描述。圖5A闡明了下述五個步驟1.在初始時刻(T＝0)，SSCQ模塊230或430被激活，并產(chǎn)生初始控制信號2303 CGSi(T)。
2.使用來自隨機激發(fā)發(fā)生器210的隨機激發(fā)信號以及來自第一時間間隔tc的控制信號CGSi(T)2303對模擬模型220積分，模擬模型220產(chǎn)生輸出Xi204。
3.輸出Xi204以及輸出CGSi(T)2301被作為教學信號Ki存儲在數(shù)據(jù)文件內(nèi)。
4.時間T以Tc為增量增加(偽碼，T＝T+Tc)。
5.重復步驟1至4，直到隨機信號結(jié)束。
一般而言，SSCQ有兩種工作模式1.使用遺傳算法231更新緩沖器i2301；2.從緩沖器i2301提取CGSi(T)。
模式選擇器2304使用當前時刻T的信息來控制SSCQ430的當前模式，如圖5B所示。
圖6為SSCQ調(diào)用流程圖，它結(jié)合了下述步驟1.選擇模式如果為GA模式則轉(zhuǎn)到步驟2，否則轉(zhuǎn)到步驟10；2.初始化GA、初始化評估模型參數(shù)、清除緩沖器i；
3.啟動遺傳算法231；4.產(chǎn)生初始群體；5.通過下述步驟為每個染色體指定適應(yīng)值i.將當前狀態(tài)Xi(T)204設(shè)定為評估模型236的初始狀態(tài)；對當前染色體進行解碼并把解碼結(jié)果寫入評估緩沖器e2302；ii.使用來自發(fā)生器210的隨機信號和來自緩沖器e2302的控制信號CGSe(te)在時間間隔te上對評估模型236積分；iii.在塊232內(nèi)使用輸出Xe來計算適應(yīng)值，它是評估模型236對編碼到當前染色體的控制信號CGSe(te)的響應(yīng)。
6.執(zhí)行GA終止測試。如果GA終止測試回答“是”，則隨后結(jié)束GA轉(zhuǎn)到步驟9；否則進入步驟7；7.對當前代執(zhí)行遺傳運算獲得新一代；8.重復步驟5至7，直到GA終止測試結(jié)果為正；9.對最后一代的最佳染色體進行解碼，把解碼結(jié)果寫入緩沖器i2301；10.從緩沖器i2301提取當前控制值CGSi(T)2303。
下表1的一組行向量示出了緩沖器i2301及緩沖器e2302的結(jié)構(gòu)，其中各行的第一項為時間值，其它項為與時間值關(guān)聯(lián)的控制參數(shù)。因此，緩沖器i2301存儲了用于評估時間間隔te的優(yōu)化控制值，以控制模擬模型，緩沖器e2302存儲了用于評估時間間隔te的暫時控制值，以計算適應(yīng)函數(shù)。
表<1>

模擬模型220及評估模型236通常使用類似的模型。系統(tǒng)微分方程的數(shù)值積分有多種不同方法。實踐中，這些方法可以分為兩大類a)具有積分誤差控制的變步長積分方法；以及b)沒有積分誤差控制的固定步長積分方法。
使用a)型方法的數(shù)值積分非常準確，但較耗費時間。b)型方法較快，但精度相對較低。在GA模式中的各次SSCQ調(diào)用時，遺傳算法231調(diào)用適應(yīng)函數(shù)好幾百次。各個計算通常包括對動態(tài)系統(tǒng)的模型積分，這引起計算復雜性的指數(shù)增長。
選擇足夠小的積分步長，可以調(diào)整固定步長的求解器，使得在相對短的時間間隔(例如評估間隔te)內(nèi)的積分誤差較小，從而在對評估模型236積分的評估回路內(nèi)可使用固定步長積分。為減小總積分誤差，可以在模擬模型220內(nèi)使用高階(high-order)變步長積分的結(jié)果作為評估模型積分的初始條件。
為了獲得更高的精確度，使用變步長求解器對評估模型進行積分通常是有利的。不幸的是，這種變步長積分器的速度極慢，特別是動力學模型相對復雜時，例如懸架系統(tǒng)模型。
在SSCQ 230內(nèi)，適應(yīng)函數(shù)計算塊232使用評估模型236對控制信號CGSe(te)和參考信號Y 238的響應(yīng)(Xe)237來計算適應(yīng)函數(shù)。
適應(yīng)函數(shù)被看作是評估模型236的響應(yīng)矩陣(xe)的選定分量的向量。其絕對值平方的通式如下Fitness2=Σt∈[T;Te][Σiwi(xite)2+Σjwj(yj-xjte)2+Σkwk(xkte)2]→min---(1)]]>其中i為絕對值應(yīng)被最小化的狀態(tài)變量的指數(shù)；j為控制誤差應(yīng)被最小化的狀態(tài)變量的指數(shù)；k為頻率分量應(yīng)被最小化的狀態(tài)變量的指數(shù)；yi為參考信號Y 238的分量；wr(r＝i，j，k)為表達相應(yīng)參數(shù)的相對重要性的權(quán)重因子。通過設(shè)定這些權(quán)重因子，可選擇出那些與控制對象的要求行為更為相關(guān)的評估模型的輸出單元。例如，為控制車輛懸架系統(tǒng)，這些系數(shù)可以用于代表從人的舒適度角度考慮的相應(yīng)要素的重要性。在發(fā)展之初，權(quán)重因子具有一些經(jīng)驗值，隨后可以使用實驗結(jié)果來對其進行調(diào)整。
頻率分量的提取可以使用用于獲得濾波器參數(shù)的標準數(shù)字濾波技術(shù)來實現(xiàn)。標準差分方程可以用于矩陣Xe的xek列分量a(1)f(xke(te(N)))=b(1)xke(te(N))+b(2)xke(te(N-1))+...+b(nb+1)xke(te(N-nb))-]]>-a(2)xke(te(N-1))-...-a(na+1)xke(te(N-na))---(2)]]>其中a、b為濾波器參數(shù)；N為當前點的數(shù)目；na、nb為過濾器的級數(shù)。對于巴特渥斯(Butterworth)濾波器，nb＝na。
每個機電控制系統(tǒng)具有一定的時間延遲，這通常是由傳感器信號的模數(shù)轉(zhuǎn)換、計算單元內(nèi)控制增益的計算、以及控制致動器的機械特性等引起。此外，許多控制單元并沒有連續(xù)特性。例如，當控制制動器為步進馬達時，這些步進馬達在一個控制周期內(nèi)只能增加一步或減小一步。出于優(yōu)化的考慮，這種步進限制可以限制SSCQ 130內(nèi)遺傳算法131的搜尋空間。換而言之，為了控制具有N個位置的步進馬達，每次更新步進馬達的位置時無需檢查所有可能的N個位置。只要檢查步進馬達位置前進一步、后退一步或是保持原位時的情況就足夠了。這只給出三種可能性，從而把搜尋空間從N個點減小到三個點。搜尋空間的減小將使遺傳算法131的性能更佳，從而提高智能控制系統(tǒng)的總體性能。
如前所述，在許多實施例中，當控制系統(tǒng)單元用于產(chǎn)生離散脈沖至控制致動器，隨后增大或減小與控制致動器(見圖3)規(guī)格相關(guān)的控制系數(shù)時，SSCQ 130可以用于執(zhí)行不同類型非線性動態(tài)系統(tǒng)的優(yōu)化控制。
不失一般性地，(圖1所示的)控制系統(tǒng)100內(nèi)的傳統(tǒng)PID控制器150可以用具有離散限制的PID控制器350替代，如圖3所示，從而形成一個新的控制系統(tǒng)300。這類控制被稱為步進限制控制。用于步進限制控制的SSCQ130的結(jié)構(gòu)如圖4所示，該圖為步進限制SSCQ 430的方框圖。SSCQ 430在許多方面類似于SSCQ 230。圖2描述的SSCQ結(jié)構(gòu)230與圖4描述的SSCQ結(jié)構(gòu)430之間的不同在于緩沖器i2301和緩沖器e2302的結(jié)構(gòu)以及對PID控制器234及350的附加限制。此外，SSCQ 430內(nèi)的PID控制器受離散限制所限制，且SSCQ 430內(nèi)GA 231的染色體至少有一部分是步進編碼而非位置編碼。在步進限制控制的情況下，SSCQ緩沖器2301、2302具有表2所示的結(jié)構(gòu)，它們可以通過針對GA 131內(nèi)的離散限制的新編碼方法來實現(xiàn)。
表<2>

表2中，時間列對應(yīng)染色體解碼之后的時間賦值，STEP表示在分別對應(yīng){前進、保持、后退}的逐步字符列(alphabet){-1，0，1}內(nèi)的變化方向值。
為了把這些臺階狀控制信號對應(yīng)到控制器真實參數(shù)，通過添加下述變換發(fā)展出一個接受此類臺階狀輸入的控制系統(tǒng)的附加模型 圖7A至圖7C示出GA 231的染色體在步進編碼情況和位置編碼情況下的對比例子。
例如，在圖7A中示出了由遺傳算法231產(chǎn)生的用于控制比例步進限制控制器的染色體，其步進值為1，最小值為0，最大值為8(縱軸)，控制器采樣時間TC為1秒鐘。圖7A至圖7C中的評估時間Te為20秒。
圖7B示出了由使用步進編碼的GA 231產(chǎn)生的染色體的值。
圖7A及圖7B所示的染色體隨后被傳遞通過控制器，該控制器接收到的實際控制信號在圖7中示出。該控制器接收到的信號與圖7A及圖7B所示的兩個染色體相同。
在圖8中，示出了當位置5為通配符(wildcard)時圖7A所描述的染色體。圖8A及圖8B中在位置5處使用同心圓表示改變位置5的值可獲得的各種組合?？偣灿?種不同的組合，如圖8A所示，但控制系統(tǒng)的機械限制禁止了除了圖8B所示三種組合以外的其它組合。注意，GA可以獨立地檢查所有9種組合，即使給出的控制器輸出相同。還應(yīng)注意到，控制器的步進限制將導致通配符效果的相對快速地消失。因此，諸如突變等后面將描述的遺傳運算通常只產(chǎn)生局部效應(yīng)。
在圖9中，示出了當位置5為通配符時圖7B所描述的染色體。各個同心圓表示改變位置5的值可獲得的一種組合。總共有3種不同的組合(如圖9A)，所有組合都將對控制系統(tǒng)的輸出產(chǎn)生影響(如圖9B)。注意，GA 430可以僅檢查3種組合，且其將具有不同的適應(yīng)值。只有達到控制信號范圍的極限，才會引起通配符效果的消失。因此，諸如突變等遺傳運算通常產(chǎn)生全局效應(yīng)，該染色體的結(jié)構(gòu)單元(building blocks)更好地對應(yīng)有效編碼的Goldberg原則。
步進編碼減小了GA 430的搜尋空間。在這種情況下，用于GA搜尋空間的控制信號的范圍就相對不重要。相對更重要的參數(shù)則是評估時間Te、控制器采樣時間TC、及用于優(yōu)化的控制參數(shù)的數(shù)目。
GA理論遺傳算法是基于自然進化機制的隨機搜尋算法。一群個體一代一代地進化，最好的(最適應(yīng)的)個體的數(shù)量和質(zhì)量將提高，而最差的(較不適應(yīng)的)個體將消失。從算術(shù)角度來說，任何進化算法可描述成下述元素的系統(tǒng)GA＝<C，F(xiàn)，P0，μ，Ω，Γ，Δ，Ψ>
其中C為編碼系統(tǒng)；F為適應(yīng)函數(shù)(質(zhì)量標準)；P0為初始群體；μ為群體大小；Ω為選擇運算；Γ為交叉運算；PCR為交叉運算的概率；Δ為突變運算；PMU為突變運算的概率；Ψ為終止條件。
編碼系統(tǒng)C為一個酉變換(unitary transformation)，它定義了物理解空間和定義進化(遺傳)運算的數(shù)學空間之間的對應(yīng)關(guān)系(map)。編碼的一個簡單例子為把實數(shù)映射到二進制字符(binary string)的二進制編碼A→CB:A∈Rn,B∈Bl={0,1}l]]>其中Rn為n維的真實向量空間，Bl為長l的二進制字符空間。這種情況下，l值越大，對Rn的數(shù)學表示就越真實。在許多實現(xiàn)中，使用二進制編碼是因為它易于定義諸多二進制字符的進化運算。此外，由于數(shù)字計算機是基于二進制邏輯，因此可以容易地把群體存儲為一組二進制數(shù)。
初始群體P0是在編碼空間內(nèi)定義的一組元素。通常，在Bl的串的一個實施例中，它是從搜尋空間的所有元素的均勻分布內(nèi)提取的。
群體大小μ是指群體內(nèi)個體(染色體)的數(shù)目。
適應(yīng)函數(shù)F為一質(zhì)量標準，它定義群體內(nèi)某個特定個體相對于該群體的其它元素的優(yōu)良程度。適應(yīng)函數(shù)通常被計算成一特定函數(shù)或特定動態(tài)系統(tǒng)對相應(yīng)個體(染色體)內(nèi)編碼信息的響應(yīng)。對于進化多個計算的復雜優(yōu)化問題，適應(yīng)函數(shù)計算是任何優(yōu)化算法包括進化算法中的最耗時的部分。在絕大部分情況下，在計算適應(yīng)函數(shù)的絕對值之后，使用相對的(歸一化)值來分配群體內(nèi)的重要性。
圖10為遺傳算法的編碼和評估運算的流程圖。選擇運算Ω為概率運算，其被定義用于把更多的具有高適應(yīng)值的染色體復制到下一代中。在一個實施例中，選擇運算從初始群體中選擇一組個體到一已知的配對庫。該配對庫通常是大小為μ的中間群體，從中提取用于遺傳運算的個體。在絕大部分遺傳算法實現(xiàn)中，選擇是基于如圖11所示的Monte-Carlo(蒙特—卡羅)方法，亦稱為輪盤式方法。輪盤的各個扇區(qū)代表了群體內(nèi)的一個體，各個扇區(qū)的大小正比于相應(yīng)個體的相對適應(yīng)度。如果輪盤旋轉(zhuǎn)，則具有較高的相對適應(yīng)度的個體被選擇的概率正比于其相對適應(yīng)度(輪盤的扇區(qū)的大小)。
圖12為一典型遺傳算法的交叉運算流程圖。交叉運算Γ為概率運算，其目的在于共享群體內(nèi)最佳個體之間的信息。交叉運算PCR的概率通常是預先定義的。交叉運算Γ的輸入為從選擇運算Ω得到的配對庫。交叉運算的機制如下1.從配對庫中選擇兩個染色體；2.從
中產(chǎn)生一個均勻分布的隨機數(shù)字。如果產(chǎn)生的數(shù)小于PCR則繼續(xù)下面的步驟；3.產(chǎn)生一個交叉點(來自[1 l]中的均勻分布的隨機整數(shù))；4.替換從交叉點開始的被選擇染色體的正確部分；5.把染色體放入新群體；6.重復步驟1至5，直到新群體完整。
圖13為突變運算的流程圖。突變運算Δ為一概率運算，其目的在于將新信息引入一群體中。突變運算PMU的概率是預定的，其取決于搜尋空間的參數(shù)。通常，突變概率小于交叉概率。交叉運算之后執(zhí)行突變運算Δ。突變運算的輸入是交叉運算之后得到的新一代。突變運算的機制如下1.從新一代中選擇第一染色體；2.從
中產(chǎn)生一個均勻分布的隨機數(shù)字，如果產(chǎn)生的數(shù)小于PMU則繼續(xù)步驟3，否則轉(zhuǎn)到步驟5；3.產(chǎn)生一個突變點(來自[1 l]中的均勻分布的隨機整數(shù))；4.對突變點指向的基因進行如下變換基因(突變點)＝基因(突變點)1，其中表示模2加法00＝0，01＝1，10＝1，11＝0；5.選擇下一個染色體并重復步驟2至4，直到新群體的最后一個染色體經(jīng)過突變過程。
遺傳算法的終止條件可預先定義，且定義方式根據(jù)具體問題而各不相同。在一個實施例中，它可以是群體所賴以進化的一定數(shù)目的代。在某些情況下，它可以是說明算法在某種意義上是收斂的。在一個實施例中，收斂標準可以基于當前代和先前代的最佳適應(yīng)度之間的差別。如果這個差別小于一預定數(shù)，則算法停止。在一個實施例中，當整個代包含相同或類似個體時，則認為算法是收斂的。
各個遺傳算法都有特定的一組參數(shù)，包括群體大小μ、最大數(shù)目代GN、交叉運算概率PCR、以及突變運算概率PMU。
這些參數(shù)依賴于搜尋空間參數(shù)。利用Holland模式定理的原理可以獲得這些參數(shù)。描述Holland定理需要如下所述的一些附加定義。模式(schemata)是用類似的基因型(例如，選擇染色體的共同部分)來表示群體內(nèi)的個體組，而用星號(表示通配符)替換不同部分。例如，對于一個二進制字符列，染色體[101111]及[101001]可以用模式S＝[101**1]表示，其中“*”表示該位置可以為任意值。
在其定義位置上與模式匹配的個體被稱作該模式的一個代表。
模式o(S)的級數(shù)就是被定義位置的數(shù)目。對于上面模式S，其級數(shù)為o(S)＝4。
保持為1或0的最左邊比特(bit)位置bleft與最右邊比特(bit)位置bright之間的距離稱為模式的定義長度δ(S)，可以通過δ(S)＝bright-bleft來計算。對于上面的例子，δ(S)＝6-3＝3。
遺傳算法的隱藏平行(implicit parallelism)對于長為l的串，各串代表2l個模式。例如，串1101長度為4，因此代表下述24＝16個模式1100、110*、11*0、11**、1*00、1*0*、1**0、1***、*100、*10*、*1*0、*1**、**00、**0*、***0、0***、****。
如果群體有n個串，模式的總數(shù)NS為2l≤NS≤n2l。由于各個串可以代表許多模式，所以這就意味著具有多個串的群體上定義的GA運算具有更多數(shù)目的平行模式。這種特性稱為GA的隱藏平行。
如果在時間t時在一個群體中，模式S具有n(S，t)個代表串，那么就有可能計算出這些給定模式中有多少個將出現(xiàn)在下一代n(S，t+1)中。這個數(shù)目取決于選擇運算、交叉運算及突變運算。接下來將先單獨地，再組合起來考慮各個運算的效果。
選擇運算根據(jù)選擇運算的結(jié)構(gòu)，個體xi被復制到新一代的概率p(xi)取決于其適應(yīng)值f(xi)與群體內(nèi)所有個體的總適應(yīng)值F之比p(xi)＝f(xi)/F (4)因此，代表模式S的一串Si被復制到下一代的概率p(Si)定義為p(Si)＝f(Si)/F (5)其中f(Si)為串Si的適應(yīng)值，F(xiàn)為群體內(nèi)所有串的總適應(yīng)值。
根據(jù)式(4)，模式S的各個代表Si被復制到配對庫Nf(Si)/F次。因此，n(S,t+1)=Σi=1nNf(Si)/F---(6)]]>考慮模式S的平均適應(yīng)值，為f(S)=Σi=1nf(Si)n---(7)]]>由方程(7)可知Σi=1nf(Si)=f(S)n---(8)]]>利用方程(8)可以把方程(6)重新寫成n(S，t+1)＝n(S，t)Nf(S)/F (9)其中f(S)為模式S的適應(yīng)函數(shù)的平均值；n為不重疊的代表串的數(shù)目；F為群體內(nèi)所有串(N)的所有適應(yīng)函數(shù)之和。
考慮群體內(nèi)所有串的適應(yīng)值的平均值f(P)＝F/N。然后方程(9)可以寫成n(S，t+1)＝n(S，t)f(S)/f(P)(10)這表明模式代表的數(shù)目一代一代增加，增加的速率取決于其平均適應(yīng)值與群體平均適應(yīng)值之比。適應(yīng)值高的模式，其代表數(shù)目增加。適應(yīng)值小的模式數(shù)目減小。
例如，對于一個適應(yīng)值大于群體平均值的模式f(S)＝(1+k)f(P)＝f(P)+kf(P) (11)于是，n(S，t+1)＝n(S，t)[f(P)+kf(P)]/f(P)＝n(S，t)(1+k)(12)
n代之后代表S的數(shù)目為n(S，t+n)＝n(S，t)(1+k)n+1(13)方程(13)就是著名的Holland定理1。根據(jù)Holland定理1具有大于平均適應(yīng)值(f(S)＞f(P))模式代表的數(shù)目在群體內(nèi)指數(shù)增長，而小于平均適應(yīng)值(f(S)＜f(P))模式代表的數(shù)目在群體內(nèi)指數(shù)減小。
交叉運算盡管復制運算有效地提高了代表的百分比，但該過程基本上是不育的。它無法創(chuàng)建新的更好的串。交叉及突變算子實現(xiàn)此功能。
例如，假設(shè)群體包含串A和串B。串A為模式S1和S2的代表，而串B既不代表S1也不代表S2。于是，串和模式由下式給出S1＝**0*|***1S2＝****|01**A＝0100|0101(S1、S2)B＝1010|1000(沒有S1、沒有S2)交叉算子匹配隨機的串對。該算子在隨機確定的位置切斷串，并把所有位(bit)與剪斷點右邊進行交換。對串A和B進行交叉后產(chǎn)生下述新串A’、B’A′＝0100|1000(沒有S1、沒有S2)B′＝1010|0101(S1)現(xiàn)在串A’不代表模式S1和S2，而串B’代表S2。這個事實表明交叉算子可以減小模式代表的數(shù)目。
模式S從隨機選擇的切斷點(交叉點)失去一個代表的概率Plost可以表示如下Plost＝PCRδ(S)/(l-1)其中PCR為交叉概率，l為串的長度。
Pretaining定義為保留代表的模式S的概率，于是，Pretaining＝1-Plast＝1-pcδ(S)/(l-1)(14)結(jié)合方程(9)、(14)，得n(S，t+1)≥[n(S，t)f(S)/f(P)][1-PCRδ(S)/(l-1)] (15)方程(15)對應(yīng)Holland定理2，它表明模式的增長取決于其代表的適應(yīng)函數(shù)的值及其定義長度。
因此，適應(yīng)函數(shù)大、定義長度短的模式更為多產(chǎn)。
突變運算串的各位有機會突變成其相反的值。假設(shè)PMU為任一位的突變概率。于是，位不變化的概率為(1-PMU)。如果串代表具有o(S)位為0或1的模式，那么串內(nèi)所有相應(yīng)的o(S)位不突變的概率為(1-PMU)o(S)。換而言之，突變后的串保留模式的一個代表的概率為(1-PMU)o(S)(16)由于PMU通常較小，于是式(16)可簡化為(1-o(S)PMU)(17)復制、交叉及突變的組合效果可以寫成如下。結(jié)合方程(15)、(17)可以得到下述Holland模式定理n(S，t+1)≥[n(S，t)f(S)/f(P)][1-PCRδ(S)/l-1][1-o(S)PMU] (18)如果模式適應(yīng)值大、定義長度短、級數(shù)小，則模式會指數(shù)增長。
方程(18)中用到下述符號名稱n(S，t)為模式S在時間t時的代表數(shù)目；f(S)為模式S的平均適應(yīng)函數(shù)；f(P)為群體內(nèi)的平均適應(yīng)函數(shù)；PCR為交叉概率；l為串長度；δ(S)為模式S的定義長度；o(S)為模式S的級數(shù)；PMU為任一位處的突變概率。
編碼問題上面的公開涉及到一種簡單的編碼方案，它使用二進制字符列，而不檢查該二進制編碼是否是優(yōu)化的或有效的。實驗觀察顯示，盡管編碼不同，但GA不僅強壯，而且通常會產(chǎn)生好的結(jié)果。但是，該編碼方法會對GA的精確度和效率產(chǎn)生重大影響。
1989年Goldberg提出有效編碼的兩條原則1.最小字符列的原則；以及2.有意義構(gòu)建單元的原則用戶應(yīng)該選擇一種編碼，使得短定義長度及低級數(shù)模式與給定的問題相關(guān)聯(lián)。
小的字符列產(chǎn)生的串可能較長。這種情況下，隱藏平行特性的效率增強。對于給定長度的串，二進制字符列可產(chǎn)生最大數(shù)目的模式，使得二進制字符列成為編碼的優(yōu)化選擇。但是，并非一定要使用二進制編碼。GA中也可使用其它編碼方法。例如，可使用具有實數(shù)或整數(shù)數(shù)字的實數(shù)編碼的染色體。
遵循遺傳算法理論的結(jié)果，并將GA有效編碼原則映射到限制控制問題，這種控制信號的最短字符列為步進字符列，諸如可解釋為{“后退一步”，“保持原位”，“前進一步”}的{-1，0，1}。使用兩個二進制位，并利用下述映射表解釋這些數(shù)，可以更有效的計算機實現(xiàn)該字符列

Holmes-Rand(Duffing-Van der Pol)振蕩器的控制Holmes-Rand(Duffing-Van der Pol)動態(tài)系統(tǒng)的運動方程具有如下形式x··+(x2-1)x·-x+x3=u(t)+ζ(t)---(19)]]>其中u(t)為控制信號，ζ(t)為隨機激發(fā)信號。
在一個實施例中，可以由下述控制函數(shù)產(chǎn)生作為PID控制信號的控制信號u(t)u(t)=kP(t)e+kD(t)e·+kI(t)∫0te(t)dt---(20)]]>其中e＝y(tǒng)(t)-x(t)為控制誤差，y(t)為用戶定義的參考信號。
在一個實施例中，控制增益kP、kD、kI具有逐步限制。因此，該實施例的控制系統(tǒng)優(yōu)化結(jié)構(gòu)可以描述成如圖4所示，控制信號可以根據(jù)表2編碼。
這種情況下，設(shè)備的熵產(chǎn)生速率為dSPdt=1T(x2-1)x·2---(21)]]>控制系統(tǒng)的熵產(chǎn)生速率為dSCdtkDe·2---(22)]]>動能為T=x·22---(23)]]>勢能為
U=x44-x22---(24)]]>圖14A至14N示出了方程(19)的非線性動態(tài)系統(tǒng)的自由動力學及熱動力學運動的模擬結(jié)果。圖14A示出了系統(tǒng)(19)坐標x的動力學進化。圖14B示出了系統(tǒng)(19)速度 的動力學進化，其中x軸為系統(tǒng)坐標x，y軸為系統(tǒng)速度 圖14D示出Holmes-Rand振蕩器的動能進化。圖14E示出Holmes-Rand振蕩器的勢能導數(shù)的相圖。圖14F示出動能的速度相圖。圖14G示出Holmes-Rand振蕩器的勢能進化。圖14H示出Holmes-Rand振蕩器勢能的坐標相圖。圖14I、圖14J及圖14K分別示出Holmes-Rand振蕩器的總能量進化、總能量的坐標相圖、總能量的速度相圖。
圖14L示出設(shè)備熵產(chǎn)生進化。圖14M示出設(shè)備熵進化。圖14N示出Holmes-Rand振蕩器的設(shè)備熵的相圖。
圖15A至圖15C示出了非線性動態(tài)系統(tǒng)(19)的自由動力學及熱動力學運動的模擬結(jié)果。圖15A至圖15C中各圖的x軸及y軸分別為坐標x及速度 圖15A示出吸引子的總能量。圖15B示出吸引子的熵產(chǎn)生。圖15C示出吸引子的熵。
圖16A至圖16N示出了對在隨機激發(fā)下非線性動態(tài)系統(tǒng)(19)的動力學及熱動力學運動的模擬。激發(fā)信號ζ(t)是平均值為零的限帶白噪音。
圖16A示出了系統(tǒng)(19)的坐標x的動態(tài)進化。圖16B示出了系統(tǒng)(19)的速度 的動態(tài)進化，其中x軸為系統(tǒng)坐標x，y軸為系統(tǒng)速度 圖16D示出Holmes-Rand振蕩器的動能進化。圖16E示出Holmes-Rand振蕩器相圖的勢能導數(shù)。圖16F示出動能的速度相圖。圖16G示出了Holmes-Rand振蕩器的勢能進化。圖16H示出Holmes-Rand振蕩器的勢能坐標相圖。圖16I、圖16J及圖16K分別示出Holmes-Rand振蕩器的總能量進化、總能量的坐標相圖、總能量的速度相圖。
圖16L示出設(shè)備熵產(chǎn)生的進化。圖16M示出設(shè)備熵的進化。圖16N示出Holmes-Rand振蕩器的設(shè)備熵的相圖。
圖17A至圖17C示出了與圖16A至圖16N相應(yīng)的模擬結(jié)果。圖17A至圖17C中各圖的x軸及y軸分別為坐標x及速度 圖17A示出吸引子的總能量。圖17B示出吸引子的熵產(chǎn)生。圖17C示出吸引子的熵。
圖18示出了用于SSCQ 230的GA 231的性能。這種情況下，參考信號y(t)=sin(4π60t)]]>與存在隨機激發(fā)ζ(t)時系統(tǒng)(19)的坐標x之間的誤差信號的最小化即為適應(yīng)函數(shù)，其中隨機激發(fā)ζ(t)是平均值為零的限帶高斯(Gaussian)白噪音。為了提高GA 231對適應(yīng)函數(shù)變化的靈敏度，適應(yīng)函數(shù)被表示成下述形式Fitness=11+Σt=Tt=T+TE(y(t)-x(t))2→max---(25)]]>此時控制系統(tǒng)具有如下參數(shù)Ki∈
，i＝{P，D，I}控制器每隔0.01秒鐘就改變增益系數(shù)(gain coefficient)(TC＝0.01秒)，每個系數(shù)的步進為0.1。SSCQ 230的評估時間Te取為4秒鐘。對于這個例子，GA 231群體大小設(shè)為50個染色體，GA 231應(yīng)進化的代數(shù)(generationnumber)設(shè)為10。
圖18示出了時間間隔t∈
(第一個SSCQ調(diào)用)內(nèi)GA 231的性能，其中根據(jù)表1規(guī)定GA的搜尋空間。圖16示出根據(jù)表2規(guī)定GA搜尋空間的相應(yīng)情況。x軸代表代數(shù)。y軸代表適應(yīng)函數(shù)(25)的值。各點代表單個染色體的適應(yīng)值。在圖18中，初始群體內(nèi)染色體適應(yīng)值的分布范圍為
，10代之后GA達到適應(yīng)值0.87。
在圖19中，初始群體內(nèi)染色體適應(yīng)值的分布范圍為
，10代之后GA達到適應(yīng)值0.92。因此，根據(jù)表2的編碼可得到更好的適應(yīng)函數(shù)性能。
圖20A至圖20N以及圖21A至圖21C示出了系統(tǒng)(19)的、基于根據(jù)表1編碼的控制結(jié)果。圖22A至圖22N以及圖23A至圖23C則對應(yīng)根據(jù)表2的編碼。
圖20A示出系統(tǒng)(19)的坐標x的動態(tài)進化。圖20B示出方程(19)的系統(tǒng)的速度 的動態(tài)進化，其中x軸為系統(tǒng)坐標x，y軸為系統(tǒng)速度 圖20D示出Holmes-Rand振蕩器的動能進化。圖20E示出Holmes-Rand振蕩器相圖的勢能導數(shù)。圖20F示出動能的速度相圖。圖20G示出了Holmes-Rand振蕩器的勢能進化。圖20H示出Holmes-Rand振蕩器的勢能坐標相圖。圖20I、圖20J及圖20K分別示出Holmes-Rand振蕩器的總能量進化、總能量的坐標相圖、總能量的速度相圖。
圖20L示出設(shè)備熵產(chǎn)生的進化。圖20M示出設(shè)備熵的進化。圖20N示出Holmes-Rand振蕩器的設(shè)備熵的相圖。
圖21A至圖21C示出了與圖20A至圖20N相應(yīng)的模擬結(jié)果。圖21A至圖21C中各圖的x軸及y軸分別為坐標x及速度 圖21A示出吸引子的總能量。圖21B示出吸引子的熵產(chǎn)生。圖21C示出吸引子的熵。
圖22A示出系統(tǒng)(19)的坐標x的動態(tài)進化。圖22B示出方程(19)的系統(tǒng)的速度 的動態(tài)進化，其中x軸為系統(tǒng)坐標x，y軸為系統(tǒng)速度 圖22D示出Holmes-Rand振蕩器的動能進化。圖22E示出Holmes-Rand振蕩器相圖的勢能導數(shù)。圖22F示出動能的速度相圖。圖22G示出了Holmes-Rand振蕩器的勢能進化。圖22H示出Holmes-Rand振蕩器的勢能坐標相圖。圖22I、圖22J及圖22K分別示出Holmes-Rand振蕩器的總能量進化、總能量的坐標相圖、總能量的速度相圖。
圖22L示出設(shè)備熵產(chǎn)生的進化。圖22M示出設(shè)備熵的進化。圖22N示出Holmes-Rand振蕩器設(shè)備熵的相圖。
圖23A至圖23C示出了與圖22A至圖22N相對應(yīng)的模擬結(jié)果。圖23A至圖23C中各圖的x軸及y軸分別為坐標x及速度 圖23A示出吸引子的總能量。圖23B示出吸引子的熵產(chǎn)生。圖23C示出吸引子的熵。
圖20A至圖20N、圖21A至圖21C、圖22A至圖22N、圖23A至圖23C中所示結(jié)果表明，使用兩種方法對有噪音的系統(tǒng)(19)的SSCQ控制均具有良好的性能。圖24至圖28示出這些結(jié)果的更多分析。
圖24A至圖24C比較時間間隔為0到60秒時，使用位置編碼和步進編碼的動態(tài)結(jié)果。圖24A示出對位置編碼和步進編碼過程的坐標x的進化。圖24B示出對位置編碼和步進編碼過程的速度 的進化。圖24C示出對位置編碼和步進編碼過程的平方控制誤差信號(squared control error signal)的進化。
圖25A至圖25C比較了圖24A至圖24C中時間間隔為20到25秒時，使用位置編碼和步進編碼的動態(tài)結(jié)果。圖25A示出對位置編碼和步進編碼過程的坐標x的進化。圖25B示出對位置編碼和步進編碼過程的速度 的進化。圖25C示出對位置編碼和步進編碼過程的平方控制誤差信號的進化。
特別地，圖24C和圖25C表明，與位置編碼相比，步進編碼的控制誤差更小，控制性能更佳。由于使用表2所示的編碼縮減了搜尋空間，所以GA 430性能的提高，從而使得控制誤差更小。
圖26A至圖26F示出使用表1所示方法的、用于位置編碼控制的PID控制器的控制誤差進化及增益系數(shù)進化。類似地，圖27A至圖27F示出使用表2所示方法的、用于位置編碼控制的PID控制器的控制誤差進化及增益系數(shù)進化。圖26A及圖27A示出了誤差信號。圖26B及圖27B示出了誤差信號的時間導數(shù)。圖26C及圖27C示出了誤差信號的時間積分。圖26D及圖27D示出了PID控制器的比例增益(proportional gain)K1。圖26E及圖27E示出了PID控制器的微分增益(derivative gain)K2。圖26F及圖27F示出了PID控制器的積分增益(integral gain)K3。
圖28A至圖28C示出了使用位置編碼和步進編碼的平方控制誤差累積(squared control error accumulation)。圖28A至圖28C的y軸被計算成相應(yīng)的平方控制誤差隨模擬時間的累積之和。圖28A示出平方誤差累積。圖28B示出平方微分誤差累積(squared differential error accumulation)。圖28C示出平方積分誤差累積(squared integral error accumulation)。圖28A至圖28C中，與表1所描述的位置編碼方法相比，表2所描述的步進編碼方法使性能提高約50％。
圖29A示出了上述的Holmes-Rand振蕩器中用到的隨機激發(fā)信號。圖29B示出了圖29A的隨機激發(fā)信號的概率分布函數(shù)。
車輛懸架系統(tǒng)的控制標題為“INTELLIGENT MECHANTRONIC CONTROL SUSPENSIONSYSTEM BASED ON SOFT COMPUTING”的美國專利公開號10/033370描述了一種主動式車輛懸架控制系統(tǒng)，該專利在此被全部引用作為參考。
圖35A示出了車輛主體3510、左側(cè)車輪3532及3534、右側(cè)車輪3531及3533。圖8A也示出了分別為車輪3531至3534提供可調(diào)整阻尼的阻尼器3501至3504。在一個實施例中，阻尼器3501至3504為受電子控制器3536控制的電子控制阻尼器。在一個實施例中，各個阻尼器上的一步進馬達致動器控制一個油閥。在各回轉(zhuǎn)閥位置內(nèi)的油流決定了由阻尼器提供的阻尼因子。
圖35B示出一種可調(diào)整阻尼器3517，該阻尼器具有一個控制回轉(zhuǎn)閥3512的致動器3518。硬阻尼閥3511允許液體流入可調(diào)整阻尼器3517以產(chǎn)生硬阻尼。軟阻尼閥3513允許液體流入可調(diào)整阻尼器3517以產(chǎn)生軟阻尼。回轉(zhuǎn)閥3512控制流過軟阻尼閥3513的液體的數(shù)量。致動器3518控制回轉(zhuǎn)閥3512，以允許更多或更小的液體流過軟阻尼閥3513，從而產(chǎn)生預期的阻尼。在一個實施例中，致動器3518為一個步進馬達。該致動器3518接收來自控制器3510的控制信號。
圖35C示出了當回轉(zhuǎn)閥3512打開時，液體流過軟阻尼閥3513。圖35C還示出了當回轉(zhuǎn)閥3512關(guān)閉時，液體流過硬阻尼閥3512。
圖36示出了阻尼力特性，即當回轉(zhuǎn)閥放置在硬阻尼位置及軟阻尼位置時，阻尼力相對于活塞速度的特性。步進馬達控制該閥，以將其放置在軟阻尼位置和硬阻尼位置之間，以產(chǎn)生中等阻尼力。
下述例子展示了用于控制車輛阻尼器3501至3504(即車輛減震器)的步進編碼方法的結(jié)果。該方法是懸架系統(tǒng)應(yīng)用的示意性說明，因為各個控制閥在各控制周期內(nèi)可以改變一個步進位置。在該示意例子中，最大控制閥的范圍為0到8，控制系統(tǒng)的采樣周期為7.5毫秒。
下述結(jié)果表明，步進編碼方法對控制半主動車輛懸架性能的改進。這里示出的結(jié)果內(nèi)的SSCQ模塊(兩種情況下)具有下述參數(shù)評估時間Te＝1.5秒、GA 231共50代、GA 231群體大小為100。兩種情況中優(yōu)化的適應(yīng)函數(shù)包含表3所示的各個分量。
表3 省略了權(quán)重分子的值表示將該參數(shù)排除掉形成了優(yōu)化。
根據(jù)表3和廣義的適應(yīng)函數(shù)方程(1)、車輛懸架系統(tǒng)控制的適應(yīng)函數(shù)可以描述為Fitness2=Σt∈[T;Tc][Σiwi(xite)2]→min---(26)]]>其中i為表3所示的系統(tǒng)狀態(tài)變量的指數(shù)，這些分量的絕對值將被最小化。
在一個實施例中，xite代表相應(yīng)狀態(tài)變量的頻率分量?？梢愿鶕?jù)乘客的舒適度要求來選擇該頻率分量。
圖30A至圖30F中示出了，具有從表SS1中選取的參數(shù)的適應(yīng)函數(shù)(26)的優(yōu)化模擬結(jié)果。圖30A示出舉起加速度輸出 圖30D示出舉起速度輸出(heave acceleration output) 圖30B示出俯仰加速度輸出(pitch accelerationoutput) 圖30E示出俯仰速度輸出 圖30C示出翻滾加速度輸出(rollacceleration output) 圖30F示出翻滾速度輸出 圖31A至圖31D分別示出了根據(jù)表1所示編碼方法以及根據(jù)表2所示編碼方法得到的左前、右前、左后、右后減震器的控制信號。
圖32A至圖32F分別為時間間隔為5到7秒時、圖30A至圖30F的放大版本。
圖30A至圖30F及圖32A至圖32F表明，當使用步進方法對控制信號進行編碼時優(yōu)化結(jié)果得到改進。優(yōu)化的適應(yīng)函數(shù)分量的幅度小于步進編碼的情況。
圖34A至圖34D示出了基于控制信號累積誤差的優(yōu)化性能的比較。圖34A及圖34B示出使用表3中權(quán)重系數(shù)的適應(yīng)函數(shù)的平方分量。結(jié)果表明，對于依賴于多個系統(tǒng)參數(shù)和狀態(tài)變量的復雜適應(yīng)函數(shù)，與使用通常的直接編碼方法相比，表2所描述的步進編碼方法使優(yōu)化性能得到改進。
盡管結(jié)合特定實施例描述了本發(fā)明，但那些對于本領(lǐng)域的普通技術(shù)人員而言明顯的實施例是在本發(fā)明范圍內(nèi)。在不離開本發(fā)明的精神和范圍下，可進行諸多改變和修改。因此，本發(fā)明的范圍由隨后的權(quán)利要求定義。
權(quán)利要求
1.一種用于優(yōu)化知識庫的自組織控制系統(tǒng)，包括模糊神經(jīng)網(wǎng)絡(luò)，其被設(shè)計成為模糊控制器發(fā)展知識庫；遺傳分析器，其被設(shè)計成為所述模糊邏輯分類器發(fā)展教學信號，所述教學信號被設(shè)計成提供預期的一組控制質(zhì)量，所述遺傳分析器使用多個染色體，所述染色體的一部分被步進編碼；及具有離散限制的PID控制器，所述PID控制器被設(shè)計成接收來自所述模糊控制器的增益排表。
2.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，該系統(tǒng)還包括反饋模塊，用于模擬所述模糊邏輯懸架控制器的查找表。
3.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，所述遺傳分析器模塊使用適應(yīng)函數(shù)，該適應(yīng)函數(shù)降低由所述PID控制器控制的設(shè)備內(nèi)的熵產(chǎn)生。
4.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，所述遺傳分析器模塊包含基于最小熵物理定律的適應(yīng)函數(shù)。
5.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，所述遺傳分析器在離線模式下使用，以提供所述訓練信號。
6.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，所述步進編碼染色體包括前進、后退、及保持的字符列。
7.根據(jù)權(quán)利要求1所述的自組織控制系統(tǒng)，其中，該系統(tǒng)還包括評估模型，用于為基于熵的適應(yīng)函數(shù)提供輸入。
8.根據(jù)權(quán)利要求7所述的自組織控制系統(tǒng)，其中，該系統(tǒng)還包括模糊控制器，其使用來自該知識庫的知識來近似該教學信號。
9.一種用于設(shè)備的控制系統(tǒng)，包括被設(shè)計成控制模糊控制器的神經(jīng)網(wǎng)絡(luò)，所述模糊控制器被設(shè)計成控制具有離散限制的線性控制器；被設(shè)計成訓練所述神經(jīng)網(wǎng)絡(luò)的遺傳分析器，所述遺傳分析器使用步進編碼染色體。
10.根據(jù)權(quán)利要求9所述的控制系統(tǒng)，其中，所述遺傳分析器使用來自學習控制單元的控制信號中的熵的時間微分與該設(shè)備內(nèi)的熵的時間微分之差，來作為對控制性能的度量。
11.根據(jù)權(quán)利要求10所述的控制系統(tǒng)，其中，所述設(shè)備內(nèi)的熵的熵計算是基于被視為開放式動態(tài)系統(tǒng)的所述設(shè)備的運動方程的熱動力學模型。
12.根據(jù)權(quán)利要求9所述的控制系統(tǒng)，其中，所述遺傳分析器產(chǎn)生一個教學信號。
13.根據(jù)權(quán)利要求9所述的控制系統(tǒng)，其中，所述線性控制系統(tǒng)基于從測量所述設(shè)備的一個或多個傳感器獲得的數(shù)據(jù)產(chǎn)生控制信號。
14.根據(jù)權(quán)利要求13所述的控制系統(tǒng)，其中，所述設(shè)備包含懸架系統(tǒng)，并且所述一個或多個傳感器包含測量該懸架系統(tǒng)的元件的角度和位置的角度和位置傳感器。
15.根據(jù)權(quán)利要求9所述的控制系統(tǒng)，其中，所述模糊控制器使用的模糊規(guī)則是通過在離線學習模式下使用該設(shè)備的動力學模型來進化。
16.根據(jù)權(quán)利要求15所述的控制系統(tǒng)，其中，來自所述動力學模型的數(shù)據(jù)被提供到計算該設(shè)備的輸入熵產(chǎn)生和輸出熵產(chǎn)生的熵計算器。
17.根據(jù)權(quán)利要求16所述的控制系統(tǒng)，其中，所述輸入熵產(chǎn)生和所述輸出熵產(chǎn)生被提供到適應(yīng)函數(shù)計算器，該計算器計算作為受一個或多個權(quán)重限制的熵產(chǎn)生速率之差的適應(yīng)函數(shù)。
18.根據(jù)權(quán)利要求17所述的控制系統(tǒng)，其中，所述遺傳分析器使用所述適應(yīng)函數(shù)為離線控制系統(tǒng)發(fā)展一訓練信號，該訓練信號對應(yīng)于操作環(huán)境。
19.根據(jù)權(quán)利要求18所述的控制系統(tǒng)，其中，所述步進編碼染色體包含前進、后退、及保持的編碼。
20.根據(jù)權(quán)利要求9所述的控制系統(tǒng)，其中，來自離線控制系統(tǒng)以知識庫形式的控制參數(shù)被提供到使用來自所述數(shù)據(jù)庫的信息的在線控制系統(tǒng)。
21.一種控制非線性設(shè)備的方法，其通過下述方式進行控制獲得該設(shè)備的熵的時間微分(dSu/dt)與從控制器提供到該設(shè)備的熵的時間微分(dSc/dt)之間的熵產(chǎn)生之差；使用采用該熵產(chǎn)生之差作為性能函數(shù)的遺傳算法來進化具有離散限制的離線控制器的控制規(guī)則；以及，為具有離散限制的在線控制器提供過濾控制規(guī)則，以控制該設(shè)備。
22.根據(jù)權(quán)利要求21所述的方法，其中，還包含使用所述在線控制器來控制步進馬達，以改變車輛懸架系統(tǒng)中的一個或多個減震器的阻尼因子。
23.根據(jù)權(quán)利要求21所述的方法，其中，還包含通過使用遺傳算法來進化出相對于該控制器的變量的控制規(guī)則，所述遺傳算法使用基于所述熵產(chǎn)生之差的適應(yīng)函數(shù)。
24.一種自組織控制系統(tǒng)，包括模擬器，其被設(shè)計成使用設(shè)備的非線性運動方程的熱動力學模型；適應(yīng)函數(shù)模塊，其基于所述設(shè)備的熵的時間微分(dSu/dt)與由控制該設(shè)備的步進限制線性控制器提供到該設(shè)備的熵的時間微分(dSc/dt)之間的熵產(chǎn)生之差來計算適應(yīng)函數(shù)；遺傳分析器，其使用所述適應(yīng)函數(shù)來提供教學信號；模糊邏輯分類器，其通過使用學習過程和所述教學信號來確定一個或多個模糊規(guī)則；以及，模糊邏輯控制器，其使用所述模糊規(guī)則來設(shè)定該步進限制線性控制器的步進控制變量。
25.根據(jù)權(quán)利要求24所述的自組織控制系統(tǒng)，其中，所述遺傳分析器使用染色體，所述染色體的至少一部分被步進編碼。
26.一種控制系統(tǒng)，包括步進編碼遺傳算法，其使用適應(yīng)函數(shù)來計算教學信號，該適應(yīng)函數(shù)基于減小熵產(chǎn)生來提供對控制質(zhì)量的度量；局部熵反饋回路，其通過使設(shè)備的穩(wěn)定性和該設(shè)備的可控制性相關(guān)聯(lián)來提供控制。
27.根據(jù)權(quán)利要求26所述的控制系統(tǒng)，其中，所述步進編碼遺傳算法包含步進編碼染色體，以限制該遺傳算法的搜尋空間。
28.根據(jù)權(quán)利要求27所述的控制系統(tǒng)，其中，使用模糊神經(jīng)網(wǎng)絡(luò)，以便從所述教學信號來創(chuàng)建數(shù)據(jù)庫。
29.根據(jù)權(quán)利要求28所述的控制系統(tǒng)，其中，所述設(shè)備為車輛懸架系統(tǒng)。
30.根據(jù)權(quán)利要求29所述的控制系統(tǒng)，其中，一知識庫對應(yīng)于用來發(fā)展該教學信號的選定隨機激發(fā)信號的隨機特性。
31.一種減震器的優(yōu)化控制方法，包括下述步驟獲得減震器內(nèi)的熵的時間微分與從控制所述減震器的控制單元提供到所述減震器的熵的時間微分之差；通過使用離散限制遺傳算法來優(yōu)化所述控制單元的至少一個控制參數(shù)，所述離散限制遺傳算法使用所述差作為適應(yīng)函數(shù)，所述遺傳算法受到染色體的至少一個步進限制所限制。
32.根據(jù)權(quán)利要求31所述的優(yōu)化控制方法，其中，所述優(yōu)化步驟的所述時間微分降低了從所述控制單元提供到所述減震器的熵。
33.根據(jù)權(quán)利要求31所述的優(yōu)化控制方法，其中，所述控制單元包含模糊神經(jīng)網(wǎng)絡(luò)，并且通過使用所述遺傳算法來優(yōu)化用于模糊規(guī)則的耦合系數(shù)的值。
34.根據(jù)權(quán)利要求31所述的優(yōu)化控制方法，其中，所述控制單元包含離線模塊以及在線控制模塊，所述方法進一步包含下述步驟使用所述性能函數(shù)、基于所述離散限制遺傳算法來優(yōu)化控制參數(shù)；基于所述控制參數(shù)來確定所述在線控制模塊的控制參數(shù)；并使用所述在線控制模塊來控制所述減震器。
35.根據(jù)權(quán)利要求34所述的優(yōu)化控制方法，其中，所述離線模塊使用模擬模型來提供優(yōu)化，所述模擬模型是基于車輛懸架系統(tǒng)的動力學模型。
36.根據(jù)權(quán)利要求34所述的優(yōu)化控制方法，其中，所述減震器被安排成通過改變由步進馬達控制的油路的截面積來改變阻尼力，并且所述控制單元控制所述步進馬達來調(diào)整所述油路的截面積。
37.一種控制設(shè)備的方法，包含下述步驟計算與提供到所述設(shè)備的模型的控制信號的熵產(chǎn)生速率相對應(yīng)的第一熵產(chǎn)生速率；計算與所述設(shè)備的所述模型的熵產(chǎn)生速率相對應(yīng)的第二熵產(chǎn)生速率；利用所述第一熵產(chǎn)生速率和所述第二熵產(chǎn)生速率來確定用于步進限制遺傳優(yōu)化器的適應(yīng)函數(shù)；將所述適應(yīng)函數(shù)提供給所述遺傳優(yōu)化器；將來自所述步進限制遺傳優(yōu)化器的教學輸出提供給被設(shè)計成產(chǎn)生知識庫的模糊神經(jīng)網(wǎng)絡(luò)；將所述知識庫提供給模糊控制器，所述模糊控制器使用誤差信號和所述知識庫來生成系數(shù)增益排表；以及，將所述系數(shù)增益排表提供給步進限制線性控制器。
38.根據(jù)權(quán)利要求37所述的方法，其中，所述遺傳優(yōu)化器在一個或多個限制之下最小化熵產(chǎn)生。
39.根據(jù)權(quán)利要求38所述的方法，其中，所述限制的至少其中之一是與基于控制性能的用戶感知評價的權(quán)重相關(guān)聯(lián)。
40.根據(jù)權(quán)利要求37所述的方法，其中，所述設(shè)備的所述模型包含懸架系統(tǒng)的模型。
41.根據(jù)權(quán)利要求37所述的方法，其中，所述第二控制系統(tǒng)被設(shè)計成控制物理設(shè)備。
42.根據(jù)權(quán)利要求37所述的方法，其中，所述第二控制系統(tǒng)被設(shè)計成控制減震器。
43.根據(jù)權(quán)利要求37所述的方法，其中，所述第二控制系統(tǒng)被設(shè)計成控制減震器的阻尼速率。
44.根據(jù)權(quán)利要求37所述的方法，其中，所述線性控制器接收來自監(jiān)控車輛懸架系統(tǒng)的一個或多個傳感器的傳感器輸入數(shù)據(jù)。
45.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量車輛垂直運動的垂直運動傳感器。
46.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量車輛垂直加速度的加速計。
47.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量車輛加速度的至少一個分量的加速計。
48.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量所述懸架系統(tǒng)的至少一部分的長度變化的長度傳感器。
49.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量所述懸架系統(tǒng)的至少一部分相對于所述車輛的角度的角度傳感器。
50.根據(jù)權(quán)利要求44所述的方法，其中，所述傳感器的至少其中之一是測量所述懸架系統(tǒng)的第一部分相對于所述懸架系統(tǒng)第二部分的角度的角度傳感器。
51.根據(jù)權(quán)利要求44所述的方法，其中，所述適應(yīng)函數(shù)包含所述懸架系統(tǒng)的一個或多個狀態(tài)變量的加權(quán)組合。
52.根據(jù)權(quán)利要求44所述的方法，其中，所述適應(yīng)函數(shù)包含與乘客舒適度相關(guān)聯(lián)的一個或多個變量的加權(quán)組合。
53.根據(jù)權(quán)利要求44所述的方法，其中，所述適應(yīng)函數(shù)包含與乘客舒適度相關(guān)聯(lián)的一個或多個變量的加權(quán)組合，并且所述加權(quán)組合的一個或多個權(quán)重能根據(jù)乘客要求來調(diào)整。
54.根據(jù)權(quán)利要求44所述的方法，其中，所述適應(yīng)函數(shù)包含車輛運動的加權(quán)組合，從而所述控制系統(tǒng)將減小所述車輛的一個或多個選定運動。
55.根據(jù)權(quán)利要求37所述的方法，其中，所述第二控制系統(tǒng)被設(shè)計成控制減震器中的節(jié)流閥。
56.根據(jù)權(quán)利要求37所述的方法，其中，所述適應(yīng)函數(shù)包含一個或多個狀態(tài)變量的加權(quán)組合。
57.根據(jù)權(quán)利要求37所述的方法，其中，所述適應(yīng)函數(shù)包含一個或多個系統(tǒng)變量的加權(quán)組合。
58.一種控制裝置，包括離線優(yōu)化器件，用于由熵產(chǎn)生速率來決定控制參數(shù)，以從步進限制遺傳分析器發(fā)現(xiàn)的教學信號產(chǎn)生知識庫；以及，在線控制器件，用于使用所述知識庫來發(fā)展控制設(shè)備的控制參數(shù)。
全文摘要
本發(fā)明描述了一種使用基于離散限制的遺傳分析器的控制系統(tǒng)。在一個實施方案中，具有步進編碼染色體的遺傳算法用于獲得教學信號，該信號為例如諸如步進限制控制器等具有離散限制的控制器提供良好控制。在一個實施方案中，控制系統(tǒng)使用了基于熵最小這一物理定律的適應(yīng)(性能)函數(shù)。在一個實施方案中，遺傳分析器用于離線模式下，為形成知識庫的模糊邏輯分類器系統(tǒng)提供一個教學信號。教學信號可以被使用知識庫的知識來運轉(zhuǎn)的模糊控制器在線逼近?？刂葡到y(tǒng)可用于控制由非線性、非穩(wěn)定、耗散模型描述的復雜設(shè)備。在一個實施方案中，步進限制控制系統(tǒng)被設(shè)計用于控制步進馬達。
文檔編號G05B13/04GK1672103SQ03818112
公開日2005年9月21日 申請日期2003年7月29日 優(yōu)先權(quán)日2002年7月30日
發(fā)明者謝爾蓋·V·烏里揚諾夫, 謝爾蓋·潘菲洛夫, 高橋一樹 申請人:雅馬哈發(fā)動機株式會社