کاربرد الگوریتم ژنتیک در طراحی و تنظیم کنترل کننده های فازی

کاربرد الگوریتم ژنتیک در طراحی و تنظیم کنترل کننده های فازی

در این مطلب می خواهیم مثالی از کاربرد الگوریتم ژنتیک را نشان دهیم.برای این منظور پروژه ای از مرحوم پروفسور ولی الله طحانی (شاگرد پروفسور زاده) را مطرح می کنیم. بلوک دیاگرام کنترل یک سروموتور DC در شکل زیر نشان داده شده است:

 FLC

می توان برای سادگی معادله دینامیکی فرآیند تحت کنترل را با نرخ نمونه برداری t=0.2sec بصورت گسسته زیر نوشت:

35

 

servo control block

فرضیات مسئله:

ساختار کنترل کننده فازی:

1) ضرایب Scale Factor بصورت زیر می باشد:

36

2) دستورi ام کنترل کننده بصورت زیر می باشد:

IF e is Ai and ∆e is Bi Then u is Ci

که Ai,Bi,Ci مقادیر زبانی متغیرهای e,∆e,u برای دستور i ام می باشند.فرض کنید رنج تغییرات متغیرهای بازه [-2,2] است.همچنین فرض کنید مقادیر زبانی Ai,Bi,Ci متعلق به مجموعه زیر هستند:

A=B=C={LN,SN,ZE,SP,LP}

3) فرض کنید کنترل کننده متقارن است و دستورات طبق جدول زیر است:

Rule Table

I’Ci=6- ICi

که ICi ها کد مقدار زبانی Ci است.این کدها عبارتنداز:

ICi code

4) توابع عضویت مقادیر زبانی Ai,Bi,Ci نسبت به مبدا متقارن و پارامتریک هستند.شکل آنها و پارامترهای مربوطه در زیر آمده است:

 membership function parameter

تابع عضویت مقدار زبانی را بصورت زیر در نظر بگیرید:

37

38

ساختار یک دنباله (کروموزم) در الگوریتم ژنتیک:

براساس مطالب فوق،می خواهیم si,di مربوط به توابع عضویت e,∆e,u را همزمان با مقادیر ICi محاسبه کنیم.بنابراین یک دنباله از مجموع پارامتر(ژن)های زیر تشکیل می شود:

 Chromosome

بنابراین طول دنباله 26 ژن است.توجه کنید که ICi اعداد صحیح متعلق به مجموعه {1،2،3،4،5} می باشند و siها و diها اعداد حقیقی هستند.

تابع هدف:

چون می خواهیم تابع ضرایب کنترل کننده فازی را برای ورودی پله تنظیم کنیم لذا برای پاسخ شکل زیر تابع هدف را بصورت زیر تعریف می کنیم:

 Fobj

39

pi دنباله iام جمعیت دنباله ها است.همچنین در رابطه فوق Wi وزن اهمیت ترم مربوطه را نشان می دهد.بدین معنی که چون می خواهیم تابع هدف را بهینه (حداکثر) کنیم،لذا با بالا قرار دادن وزن Wi (مثلا وزن W4) اهمیت و نقش ترم مربوطه (مثلا خطای حالت دائم) بیشتر مورد تاکید است.فاکتورهای MT و ME جهت هم مقیاس سازی ترم های بکارگرفته در تابع هدف است.در این مثال پارامترها را بصورت زیر در نظر بگیرید:

40

در رابطه تابع هدف P میزان جریمه (Penalty) در نظر گرفته شده است.بدین معنی که پاسخ هایی که یا ناپایدار هستند و یا در فاصله زمانی MT تثبیت نگردند،طبق شکل زیر،میزان جریمه را بصورت زیر در نظر می گیریم:

 penalty

 Penalty Param

الگوریتم ژنتیک را با پارامترهای زیر اجرا کرده و پارامترهای بهترین کنترل کننده طراحی شده مشخص کنید.همچنین تابع هزینه بهترین دنباله را رسم کنید تا مطمئن شوید که الگوریتم بسمت بهترین جواب همگرا می شود.

جمعیت دنباله ها    P=40
نرخ ترکیب    Pc=0.6
نرخ جهش    Pm=0.01

 

Buy

یک امتیازدو امتیازسه امتیازعالی بودخیلی عالی بود (1 votes, average: 5٫00 out of 5)
Loading...

8 Comments

رضا

درباره3 سال ago

سلام ام فایل این اموزش برای خرید موجود است؟

پاسخ

Admin

درباره3 سال ago

بله از بالای صفحه قسمت پرداخت هزینه پروژه P12 را انتخاب نمایید.

پاسخ

7395amir

درباره3 سال ago

سلام ..میتونی در مورد کنترل فازی موتورهای القایی کمکم کنی؟

پاسخ

Admin

درباره3 سال ago

مشکلاتان چیست؟

پاسخ

nasrin

درباره1 سال ago

سلام لطف ميكنيد نحوه دسترسي به اين فايل را ايميل كنيد ممنون

پاسخ

Admin

درباره1 سال ago

باسلام

لینک خرید اصلاح گردید.

و یا از قسمت پروژه های انجام شده با Matlab بخش پروژه های متفرقه پروژه شماره P12 را خریداری کنید.

موفق باشید.

پاسخ

esmaeel

درباره12 ماه ago

سلام.میشه یک مقدار در مورد Scale Factor توضیح بدید؟

پاسخ

Admin

درباره12 ماه ago

قوانین فازی و توابع عضویت آنها دارای محدوده ای هستند که برای ورودی و خروجی ها تعریف می شوند. این ضرایب برای در رنج قرار دادن ورودی ها و خروجی ها استفاده می شود. برای مثال فرض کنید که هنگام تعریف توابع عضویت برای ورودی، مقدار رنج تغییرات آن را بین +۱ و -۱ تعریف کرده اید ولی در عمل ممکن است که محدوده تغییرات ورودی بیشتر شود. با استفاده از این ضرایب می توانید مقدار ورودی را در محدوده تغییرات مجاز تبدیل کنید.

پاسخ

Leave a Comment

Please be polite. We appreciate that.
Your email address will not be published and required fields are marked