智能控制复习思考题.docx
《智能控制复习思考题.docx》由会员分享，可在线阅读，更多相关《智能控制复习思考题.docx（14页珍藏版）》请在冰点文库上搜索。
智能控制复习思考题
一．模糊控制部分
1．智能控制与传统控制相比，有哪些主要的特点？
答：
1、学习功能：
智能控制器能通过从外界环境所获得的信息进行学习，不断积累知识，使系统的控制性能得到改善
2、适应功能:
智能控制器具有从输入到输出的映射关系，可实现不依赖于模型的自适应控制，当系统某一部分出现故障时，也能进行控制。
3、自组织功能：
智能控制器对复杂的分布式信息具有自组织和协调的功能，当出现多目标冲突时，它可以在任务要求的范围内自行决策，主动采取行动。
4、优化能力：
智能控制能通过不管你优化控制参数和寻找控制器的最佳结构形式，获得整体最有的控制性能。
2．简述模糊集合的基本定义以及与隶属函数之间的相互关系。
答：
定义：
其中A称为模糊集合，由0，1及构成。
表示元素x属于模糊集合A的程度，取值范围为[0,1]，称为x属于模糊集合A的隶属度。
论域U中的模糊子集A，是以隶属函数为表征的集合A。
称为模糊子集的隶属函数，称为u对A的隶属度，它表示论域U中的元素u属于模糊子集A的程度。
它在[0，1]闭区间内可连续取值，隶属度简记为A（u）。
相互关系：
模糊集合是以隶属函数来描述的，隶属度的概念是模糊集合理论的基石。
3．给定变量论域，请在其上设计几个模糊子集，并用隶属函数予以描述。
答：
1、
设论域U={张三，李四，王五}，评语为“学习好”。
设三个人学习成绩总评分是张三得95分，李四得90分，王五得85分，三人都学习好，但又有差异。
2、
4．在上述第3题的基础上，任意给定一个变量值，请求对应的模糊量表达式。
5．常用的模糊并和模糊交算子是怎样进行运算的？
有什么特点？
6．解释什么叫做模糊关系？
7．试确定条件语句“若A且B则C”所决定的模糊关系R。
现已知A’和B’，求C’。
其中A=1/x1+0.5/x2,B=0.1/y1+0.5/y2+1/y3,
C=0.2/z1+1/z2,A’=0.8/a1+0.1/a2,B’=0.5/b1+0.2/b2+0/b3
同时用MATLAB仿真计算，验证结果。
答：
例子：
根据Matlab例程Chp3_5可得：
8．请以2输入1输出系统为例，解释模糊逻辑的强度转移法是如何进行模糊推理的？
9.模糊推理中的强度转移法与依赖模糊关系R来进行推理运算相比，有什么优点？
在激励强度的求取和推理合成时，用乘积运算代替了取小运算
10．解释常用的几种清晰化方法的几何含义。
（1）重心法；
（2）最大隶属度法；（3）面积中心线法。
（3）加权平均法
工业控制中广泛使用的反模糊方法为加权平均法，输出值由下式决定
其中系数的选择根据实际情况而定。
不同的系数决定系统具有不同的响应特性。
当系数取隶属度时，就转化为重心法。
11．常规的PID调节器中，P、I、D参数各起什么主要什么作用？
答：
P:
【比例】加快系统的响应速度，提高系统的调节精度，减少误差。
I:
【积分】起到消除静态误差作用。
D:
【微分】改善系统的动态性能，抑制偏差向任何方向变化，对偏差变化进行提前预报。
12．将模糊集合概念运用于传统系统控制中，通常可以采取哪些做法？
各有什么主要特点？
13．请学会运用MATLAB进行
（1）常规系统仿真；
（2）模糊系统设计和仿真。
例如：
已知受控对象为
，假定系统给定阶跃值r=30，采样时间为0.5秒，系统初始值
，试分别设计：
（1）常规PID控制器；
（2）常规模糊控制器；（3）模糊PID控制器；
分别对上述3中控制器进行MATLAB仿真，并比较控制效果。
二．神经网络部分
1．解释什么叫做神经网络？
人工神经网络（ArtificialNeuralNetwork）
是模拟人脑思维方式的数学模型。
神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。
神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。
2．BP网络的结构是怎样的？
具有什么主要特点？
3．写出单一神经元从输入到输出的表达式。
4．为什么说，神经网络可以成为函数的万能逼近器？
7.2.4BP网络的优缺点
BP网络的优点为：
（1）只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系；
（2）BP网络的学习算法属于全局逼近算法。
（3）BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。
BP网络的主要缺点为：
（1）待寻优的参数多，收敛速度慢；
（2）目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；
（3）难以确定隐层及隐层节点的数目。
目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根据经验来试凑
5．编程练习。
采用BP网络进行模式识别，训练样本为3对2输入1输出的数据样本。
输入
输出
1
0
1
0
0
0
0
1
－1
请采用BP网络，并对其进行反复训练，确定出所有BP网络数据。
然后进行效果测试。
测试数据为（1，0.1），（0.5，0.5），（0.1，1）。
三．遗传算法
1．简述遗传算法是如何实现优化的？
2．简述遗传算法的主要特点。
3．遗传算法中的3个算子是如何进行使用的？
4．给定交叉概率Pc＝0.65，变异概率Pm＝0.09,种群中个体数M=50，个体的码长CODEL=16位；一代群体记录在矩阵E[50][16]中。
请用M语言写出:
（1）实现交叉算法的子程序；
（2）实现变异算法的子程序。
并在程序中加上相应的注释语句。
答：
（1）%************Step3:
交叉操作************
%被交叉的个体会替换复制的个体
pc=0.65;%交叉概率
n=ceil（20*rand）;%随机数0~20，要交叉的比特数随机发生
fori=1:
2:
（Size-1）%从1到79个个体，对每一对，判断一次是否要交叉
temp=rand;%产生一个随机数来决定是否发生交叉
ifpc>temp%交叉条件：
给定交叉概率>随机数
forj=n:
1:
20%交叉的位置取决于前面得到的随机数n
TempE（i,j）=E（i+1,j）;%第i与第i+1个体交叉，交叉位数从n--20，只变后面部分
TempE（i+1,j）=E（i,j）;%交叉
end
end
end
TempE（Size,:
）=BestS;%最优的个体不参与交叉
E=TempE;%替换，保留交叉结果，80个个体
（2）
%************Step4:
变异操作************************
%pm=0.001;
%pm=0.001-[1:
1:
Size]*（0.001）/Size;%Biggerfi,smallerPm
%pm=0.0;%Nomutation
pm=0.09;%Bigmutation%变异概率
fori=1:
1:
Size%遍历每一个个体
forj=1:
1:
2*CodeL%遍历个体每1比特
temp=rand;%产生一个随机数来决定是否发生变异
ifpm>temp%变异条件：
给定变异概率>随机数
ifTempE（i,j）==0
TempE（i,j）=1;%0变1
else
TempE（i,j）=0;%1变0
end
end
end
end
TempE（Size,:
）=BestS;%最优个体不变异
E=TempE;%替换，保留变异结果
升级会员 