بهینه سازی قوانین و توابع عضویت سیستم های فازی با استفاده ازالگوریتم های هوشمند
/حامد خراطی شیشوان
تبریز، دانشگاه تبریز، دانشکده فنی مهندسی برق، گروه مهندسی کنترل
۱۱۰ص
چاپی
واژه نامه بصورت زیرنویس
کارشناسی ارشد
برق-کنترل
۱۳۸۷/۰۶/۲۵
تبریز، دانشگاه تبریز، دانشکده فنی مهندسی برق، گروه مهندسی کنترل
سیستم های غیرخطی و ذاتا ناپایدار بسیاری وجود دارند که روش ها و استراتژی های معمول و کلاسیک برای کنترل آنها هم از لحاظ طراحی و ساخت و هم به لحاظ پیاده سازی کاری دشوار و البته غیرمقرون به صرفه ای است .کنترلر های منطق فازی به عنوان زیر مجموعه ای از خانواده کنترلرهای غیرخطی، از دانش و تجربه بشری جهت کنترل چنین سیستم هایی استفاده می کنند.ساخت این کنترلرها به شرط وجود دانش و تخصص کافی کاری ساده، سریع و موثری خواهد بود .در غیر این صورت، یعنی عدم وجود تجربه و شناخت کافی طراحی این کنترلرها بسیار کند و بر اساس روش وقت گیر و غیر مهندسی سعی و خطا پیش می رود .برای بهبود عملکرد کنترلر، صرفه جویی در وقت، افزایش سرعت، کاهش تعداد قوانین فازی و مقاوم بودن پاسخ، یک روش جهت تولید و بهینه سازی قوانین و توابع عضویت مورد نیاز خواهد بود. در این پروژه هدف بررسی روش های تولید، بهینه سازی قوانین و توابع عضویت متغیرهای کنترلرهای فازی به عنوان زیر مجموعه ای از سیستم های فازی به گونه ای است که عملکرد این سیستم ها بهبود یابد .برای نیل به این هدف از سه استراتژی استفاده می شود .در استراتژی اول که از دو فاز تشکیل می شود، از ترکیب یک روش تحلیلی) فیلتر کالمن (و الگوریتم هوشمند استفاده می کنیم به این ترتیب که در مرحله اول شکل و پارامترهای توابع عضویت متغیرهای ورودی و خروجی کنترلر فازی به صورت سعی و خطا انتخاب شده و سپس با تعریف یک تابع هزینه به تولید و بهینه سازی قوانین فازی توسط یک الگوریتم ژنتیکی می پردازیم .سپس به فاز دوم رفته و با استفاده از فیلتر کالمن، پارامترهای توابع عضویت انتخاب شده در فاز نخست را تنظیم می کنیم .ویژگی این روش این است که در فاز اول، تعداد قوانین از قبل مشخص نیست و الگوریتم هوشمند در صورت نیاز تعداد آنها را تا برآورده شدن شرایط مطلوب معین افزایش می دهد .همچنین به دلیل استفاده از یک روش تحلیلی در تعیین پارامترهای توابع عضویت، سرعت این روش در فاز دوم افزایش می یابد .اشکال عمده این روش این است که بهینه سازی قوانین و توابع عضویت در دو فاز جداگانه و به طور غیر همزمان انجام می شود .همچنین روش های تحلیلی مورد اس-تفاده ش-دیدا به شرایط اولیه وابس-ته بوده و در صورت دور بودن حالت اولیه از نقطه مینیمم کلی این روش ها معمولا به جواب بهینه همگرا نمی شوند .در ضمن، روش های تحلیلی دارای پارامترهایی هستند که باید از قبل توسط طراح به گونه ای مناسب تعریف شوند که این مورد به نوبه خود یک مسئله جدید بهینه سازی محسوب می شود .بنابراین برای فائق آمدن بر اشکالات فوق، استراتژی دوم در پیش گرفته می شود .در استراتژی دوم، کل عمل بهینه سازی توسط یک روش هوشمند) ترکیب الگوریتم ژنتیکی و جستجوی ممنوعه ( انجام می گیرد .یعنی هم تولید و بهینه سازی قوانین فازی و هم تنظیم پارامترهای توابع عضویت توسط یک روش هوشمند صورت می پذیرد .از آنجا که در این استراتژی الگوریتم ژنتیکی هم قوانین فازی و هم پارامترهای مربوط به توابع عضویت را بهینه می کند، لذا فضای جستجو برای الگوریتم نسبت به استراتژی اول افزایش یافته است و این امکان وجود دارد که الگوریتم ژنتیکی نتواند به نقطه مینیمم کلی برسد .در واقع برای یافتن نقطه بهتر نیاز به یک الگوریتم جستجوی محلی خواهیم داشت تا با جستجوی بیشتر در اطراف نقطه نزدیک بهینه به جواب بهتری دست یابیم .بنابراین بعد از همگرایی الگوریتم ژنتیکی در مرحله اول، از بهترین جواب پیدا شده به عنوان یک نقطه شروع اولیه برای الگوریتم جستجوی ممنوعه به عنوان فاز دوم در استراتژی دوم استفاده می کنیم . ویژگی اصلی این روش در این است که بهینه سازی قوانین و توابع عضویت به طور همزمان انجام می شود .در این روش نیز تعداد قوانین فازی از قبل مشخص نیست و الگوریتم هوشمند در صورت نیاز تا برآورده شدن شرایط مطلوب، تعداد آنها را افزایش می دهد .همچنین به دلیل استفاده از الگوریتم هوشمند در تنظیم پارامترهای توابع عضویت، دیگر سیستم به شرایط اولیه حساس نیست و به دلیل ماهیت تصادفی الگوریتم، درصد موفقیت در یافتن نقطه مینیمم کلی افزایش می یابد .شاید یکی از نکات باقی مانده در عمل بهینه سازی سیستم های فازی، به خصوص در مرحله تولید و جایابی قواعد فازی در جدول قوانین این باشد که چرا در ابتدا با تعیین یک مجموعه قوانین خاص، الگوریتم را محدود و ملزم به استفاده از این چند قانون می کنیم؟ این امکان وجود دارد که بعضی از قوانین تعریف شده توسط طراح مورد نیاز سیستم فازی نباشد .به عبارت دیگر، بهتر آن است که در ابتدا کلیه قوانین قابل تعریف در اختیار الگوریتم هوشمند قرار بگیرد و سپس الگوریتم از بین آنها مناسب ترین قواعد و بهترین ترکیب ممکنه را برای سیستم فازی اتخاذ کند .این ایده ما را به سمت استراتژی سوم مورد استفاده در این پایان نامه سوق می دهد .در استراتژی سوم با تغییراتی که در ساختار الگوریتم هوشمند داده می شود، امکان پیاده سازی ایده فوق را برآورده می کنیم .در این استراتژی نیز همانند روش دوم با اجرای الگوریتم جستجوی ممنوعه بعد از همگرایی الگوریتم ژنتیکی در فاز اول، امکان جستجوی دقیقتر را برای پیدا کردن نقطه بهینه فراهم می کنیم. در این پایاننامه فرض هایی روی توابع عضویت سیستم های فازی، از جمله شکل توابع عضویت و ، درنظر گرفته خواهد شد .همان طور که توضیح داده شد، ما در این پایاننامه روی بهینه سازی کنترلرهای فازی متمرکز خواهیم شد و جهت بررسی عملکرد استراتژی های ذکر شده، از یک مسئله نمونه ، سیستم کنترل سرعت یک اتومبیل ، برای شبیه سازی استفاده می کنیم