Điều khiển thông minh

ĐIỀU KHIỂN THÔNG MINH

TOPIC:

GENETIC FUZZY CONTROLLER

Nguyễn Văn Tiến Anh

INTELLIGENT CONTROL

2016

GENETIC FUZZY CONTROLLER 1

§1. Đề bàiĐiều khiển vận tốc của xe theo vận tốc tốc mong muốn . Phương trình của hệ thống:

Trong đó:• là tín hiệu điều khiển • là khối lượng xe• là hệ số sức cản của gió• là lực điều khiển• là hằng số engine/brake timeYêu cầu:Bộ điều khiển:

2

INTELLIGENT CONTROL

2016


§2. Genetic Fuzzy Controller

3

INTELLIGENT CONTROL

2016


� 𝑑𝑑𝑡 System

-

𝑣𝑑ሺ𝑡ሻ 𝑣ሺ𝑡ሻ

• Biến tối ưu: • Ràng buộc:

§2. Genetic Fuzzy ControllerHàm mục tiêu:Yêu cầu:

4

INTELLIGENT CONTROL

2016


§2. Genetic Fuzzy Controller• Xem hệ thống có dạng bậc 2. Đáp ứng ngõ ra khi đầu vào là tín hiệu

step:

Khi đó:• Độ vọt lố: • Settling time: • Rise time:

5

INTELLIGENT CONTROL

2016


§2. Genetic Fuzzy Controller• Khi biết được , , thì tìm được đáp ứng tối ưu mà bộ điều khiển

hướng tới:

Với:

6

INTELLIGENT CONTROL

2016


§2. Genetic Fuzzy Controller• Các bộ điều khiển thỏa mãn yêu cầu về , , thì đáp ứng sẽ nằm trong

vùng như ở đồ thị dưới.• Bộ điều khiển Genetic Fuzzy sẽ tìm thông số tối ưu để đáp ứng nằm

trong miền yêu cầu

7

INTELLIGENT CONTROL

2016


𝐹=∑ (𝑐𝑟𝑒𝑓 −𝑐 )2

§2. Outline of the Basic Genetic Algorithm1. [Start] Generate random population of n 2. [Fitness] Evaluate the fitness f(x) of each chromosome x in the population 3. [New population] Create a new population by repeating following steps until the new population is complete

3.1. [Selection] Select two parent chromosomes from a population according to their fitness (the better fitness, the bigger chance to be selected) 3.2. [Crossover] With a crossover probability cross over the parents to form new offspring (children). If no crossover was performed, offspring is the exact copy of parents. 3.3. [Mutation] With a mutation probability mutate new offspring at each locus (position in chromosome). 3.4. [Accepting] Place new offspring in the new population

4. [Replace] Use new generated population for a further run of the algorithm 5. [Test] If the end condition is satisfied, stop, and return the best solution in population 6. [Loop] Go to step 2

8

INTELLIGENT CONTROL

2016



9

INTELLIGENT CONTROL

2016


%% Initializationempty_element.Chromosome=[];empty_element.FitValue=[];pop=repmat(empty_element,nPop,1);% Population

for i=1:nPop

end

% Initialize Position pop(i).Chromosome=randi([0 1],VarSize);

% Evaluation pop(i).FitValue = CostFunction(pop(i).Position);

Population(i)

% Sort PopulationFitness=[pop.FitValue];[Fitness, SortOrder]=sort(Fitness);pop=pop(SortOrder);

% Store Best SolutionBestSol=pop(1);% Array to Hold Best Fitness ValuesBestFit=zeros(MaxIt,1);% Store Fitness ValueWorstFit=pop(end).FitValue;

Chromosome

Fitness Value


10

INTELLIGENT CONTROL

2016


% New Populationfor it=1:MaxIt % Crossover popc=repmat(empty_element,nc/2,2); % value for crossover for k=1:nc/2 % Roulette Wheel Selection ip1=RouletteWheelSelection(Fitness); ip2=RouletteWheelSelection(Fitness); % Select Parents p1=pop(ip1); p2=pop(ip2); % Perform Crossover [popc(k,1).Chromosome, popc(k,2).Chromosome]=... Crossover(p1.Chromosome,p2.Chromosome); % Evaluate Offsprings popc(k,1).FitValue=CostFunction(popc(k,1).Chromosome); popc(k,2).FitValue=CostFunction(popc(k,2).Chromosome); end popc=popc(:); end

function [index] = RouletteWheelSelection(arrayInput)len = length(arrayInput);% if input is one element then just return rightawayif len ==1 index =1; return;endif (~isempty(find(arrayInput<1, 1))) if (min(arrayInput) ~=0) arrayInput = 1/min(arrayInput)*arrayInput; else temp= arrayInput; temp(arrayInput==0) = inf; arrayInput = 1/min(temp)*arrayInput; endendtemp = 0;tempProb = zeros(1,len);for i= 1:len tempProb(i) = temp + arrayInput(i); temp = tempProb(i);endi = fix(rand*floor(tempProb(end)))+1;index = find(tempProb >= i, 1);

http://www.mathworks.com/matlabcentral/fileexchange/45735-roulette-wheel-selection

http://www.mathworks.com/matlabcentral/fileexchange/45735-roulette-wheel-selection


11

INTELLIGENT CONTROL

2016


% New Populationfor it=1:MaxIt % Crossover popc=repmat(empty_element,nc/2,2); % value for crossover for k=1:nc/2 % Roulette Wheel Selection ip1=RouletteWheelSelection(Fitness); ip2=RouletteWheelSelection(Fitness); % Select Parents p1=pop(ip1); p2=pop(ip2); % Perform Crossover [popc(k,1).Chromosome, popc(k,2).Chromosome]=... Crossover(p1.Chromosome,p2.Chromosome); % Evaluate Offsprings popc(k,1).FitValue=CostFunction(popc(k,1).Chromosome); popc(k,2).FitValue=CostFunction(popc(k,2).Chromosome); end popc=popc(:); end

function [y1, y2]=Crossover(x1,x2) pSinglePoint=0.1; pDoublePoint=0.2; pUniform=1-pSinglePoint-pDoublePoint; METHOD=RouletteWheelSelection([pSinglePoint pDoublePoint pUniform]); switch METHOD case 1 [y1, y2]=SinglePointCrossover(x1,x2); case 2 [y1, y2]=DoublePointCrossover(x1,x2); case 3 [y1, y2]=UniformCrossover(x1,x2); endend


12

INTELLIGENT CONTROL

2016


% New Populationfor it=1:MaxIt % Crossover %[…] % Mutation popm=repmat(empty_element,nm,1); for k=1:nm % Select Parent i=randi([1 nPop]); p=pop(i); % Perform Mutation popm(k).Chromosome=Mutate(p.Chromosome,mu); % Evaluate Mutant popm(k).FitValue=CostFunction(popm(k).Chromosome); end end

function y=Mutate(x,mu) nVar=numel(x); nmu=ceil(mu*nVar); j=randsample(nVar,nmu); y=x; y(j)=1-x(j);end


13

INTELLIGENT CONTROL

2016


% New Populationfor it=1:MaxIt % Crossover %[…] % Mutation %[…] % Create Merged Population pop=[pop;popc;popm]; %#ok % Sort Population Fitness=[pop.FitValue]; [Fitness, SortOrder]=sort(Fitness); pop=pop(SortOrder); % Update Worst Fitness Value WorstFit=max(WorstFit,pop(end).FitValue); % Truncation pop=pop(1:nPop); Fitness=Fitness(1:nPop); % Store Best Solution Ever Found BestSol=pop(1); % Store Best Cost Ever Found BestFit(it)=BestSol.FitValue; % Show Iteration Information disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestFit(it))]); end


14

INTELLIGENT CONTROL

2016


% Cost Functionfunction z=e_square(x)

% [...]rules=zeros(5,5);k=1;leftbound=1;rightbound=bitn;for id1=1:5 for id2=1:5

rules(id1,id2)=bit2num(x(leftbound:rightbound)... , [Varmin, Varmax]);

k=k+1; leftbound=leftbound+bitn; rightbound=rightbound+bitn; end end% [...]

end

function num = bit2num(bit, range)integer = polyval(bit, 2);num = integer*((range(2)-range(1))/(2^length(bit)-1)) + range(1);end


15

INTELLIGENT CONTROL

2016


% Cost Functionfunction z=e_square(x)

% [...]Mp=bit2num(x(leftbound:rightbound), [0, 0.05]);leftbound=leftbound+bitn;rightbound=rightbound+bitn;t_settling=bit2num(x(leftbound:rightbound), [7, 8]);leftbound=leftbound+bitn;rightbound=rightbound+bitn;t_rise=bit2num(x(leftbound:rightbound), [4, 6.5]);

xi = abs(log(Mp))/sqrt((log(Mp))^2+pi^2);wn = 4/t_settling/xi;wd=(pi-atan2(sqrt(1-xi^2),xi))/t_rise;ref_crl = @(x) 1-exp(-xi*wn*x).*(cos(wd*x)+xi*sin(wd*x)/sqrt(1-xi^2));% [...]

end

𝑐 (𝑡 )=1−𝑒− 𝜉𝜔𝑛 𝑡 (cos𝜔𝑑𝑡+𝜉

√1−𝜉 2sin𝜔𝑑𝑡)

𝜉=|ln𝑀𝑝|

√( ln𝑀𝑝)2+𝜋 2𝜔𝑑=

𝜋−𝑎𝑡𝑎𝑛2 (√1−𝜉2 ,𝜉 )𝑡𝑟

𝜔𝑛=4𝜉 𝑡 𝑠

§2. Genetic Fuzzy ControllerFitness Function

16

INTELLIGENT CONTROL

2016


§2. Genetic Fuzzy ControllerĐáp ứng

17

INTELLIGENT CONTROL

2016


Điều khiển thông minh

Engineering