混沌蚁群优化的神经网络控制大时滞系统

"基于混沌蚁群算法的大时滞对象神经网络控制 (2008年) - 赵俊，陈建军 - 上海交通大学学报 - 文章编号:1006~2467(2008)07-119805 - 中图分类号:TP273 - 文献标识码:八" 本文由赵俊和陈建军发表于2008年的《上海交通大学学报》，主要研究的是如何有效控制具有大时滞的未知系统。面对这类问题，作者提出了一种创新的控制策略，结合了多种智能方法，包括最小二乘支持向量机（LS-SVM）、模糊PID控制以及神经网络。 首先，LS-SVM被用作辨识器，它的主要作用是学习和识别系统的动态特性，即使在存在大量时滞的情况下，也能准确地估计系统模型。LS-SVM是一种监督学习算法，它通过最小化误差平方和来寻找最佳超平面，以实现对非线性函数的近似。 接着，作者改进了传统的模糊PID控制，构建了一种智能型神经网络控制器。模糊PID控制结合了模糊逻辑的灵活性和PID控制的稳定性，通过模糊规则调整PID参数，以适应系统的变化。而神经网络的引入进一步增强了控制器的自适应能力和鲁棒性，能够处理复杂的非线性和不确定性。 为了优化神经网络控制器的参数，作者引入了混沌搜索机制的改进版蚁群算法。蚁群算法是一种模拟蚂蚁寻找食物路径的优化算法，具有全局寻优的能力。混沌理论的引入增加了搜索过程的随机性和多样性，避免了传统蚁群算法可能出现的早熟收敛问题，提高了参数优化的效率和效果。 通过将混沌蚁群算法应用于控制器参数的离线优选，仿真结果显示，这种控制方案能够显著提升系统的性能。系统达到稳态时无静差，动态响应速度快，且具有一定的抗干扰能力，表现出良好的鲁棒性。这种结合多种智能技术的控制策略为解决大时滞对象的控制问题提供了一个有效的解决方案。 这篇文章探讨了如何利用先进的机器学习和优化技术来应对具有挑战性的控制系统设计问题。混沌蚁群算法的引入不仅提升了神经网络控制器的性能，也为未来的研究提供了新的思路，即如何将不同领域的智能方法融合，以解决实际工程中的复杂控制问题。