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