回上頁

研究主題

1.以螞蟻群最佳化演算法設計模糊控制器

2.自我產生的模糊系統利用螞蟻和粒子族群群聚和其硬體實現

3.利用加強式螞蟻群聚學習之自我組織第二類型模糊系統

4.改善彈性交流輸電系統中模糊控制器的設計方法

5.藉由加強型連續螞蟻群聚最佳化設計前向型/遞迴模糊系統

6.混合基因演算法和粒子群最佳化設計遞迴式網路

【研究成果】

以螞蟻群最佳化演算法設計模糊控制器及其軟/硬體實現

 

本研究提出螞蟻群最佳化演算法應用於模糊控制器後肩部的設計上,稱為ACO-FC,以增加模糊控制器設計效率及達到更好控制表現。在模糊控制器的設計上,我們先將前肩部以格子狀切割完成,並列出每條法則所有後肩部可挑選值。將一隻螞蟻走過的路徑當成整個模糊控制器後肩部的一組組合。最佳後肩部的選擇組合,則以螞蟻群最佳化法中的費洛蒙(pheromone)的濃度來決定。在倒單擺與溫度控制的模擬上,均顯示此法較基因法則的表現來的好。

所採用螞蟻群最佳化演算法並以硬體實現之。在此所採用的硬體為FPGA晶片。晶片內部主要包含有一個記憶體單元,用以存放費洛蒙的濃度,一個16位元的亂數產生器,一個16位元除法器,和一些邏輯運算單元。為驗證晶片功能,我們將其應用於水溫控制的模擬上。

面對加強式模糊控制器的設計問題上,我們並將加強式模糊Q學習法結合到螞蟻群最佳化法中。簡稱FQ-ACO,以進一步增強螞蟻群最佳化法的表現。對每一條模糊法則可挑選的後肩部值我們均給定一個Q值。並已模糊Q學習法來調整Q值。整個控制器最佳後肩部的組合,則同時根據費洛蒙及Q值來搜尋。為了驗證FQ-ACO演算法的性能,我們分別模擬水溫控制系統、磁浮系統及倒車入庫三個問題,並與單獨使用螞蟻群最佳化演算法及單獨使用模糊Q學習法做比較。而這些模擬結果都顯示FQ-ACO為一較有效的方法。

Fig.1 Fuzzy controller constructed by the ant and the corresponding pheromone matrix.

Fig.2 Pheromone matrix.

Fig. 3 The best tour found by an ant and the corresponding fuzzy system.

 

 

 

一個自我產生的模糊系統利用螞蟻和粒子族群群聚和其硬體實現

 

本研究提出了一個利用一個根據螞蟻和粒子族群群聚最佳化,線上自我對正分群(OSAC)的演算法所提出的學習能力,而能自我產生的模糊系統。而這個被提出的(OSAC)演算法不止幫助產生我們即時所訓練出的規則庫資料, 並且幫助我們避免產生高度重疊的模糊集合。當一個新的規則庫被產生時,和其相關的前件部和後件部參數由APSCO來做最佳化的動作。在APSCO裡,螞蟻族群和粒子族群共存在一個族群裡面,而且他們在每一次的疊代中,尋找一個同時的最佳參數解。螞蟻的路徑不止幫助去決定產生的規則庫的後件部參數,並且幫助產生一個輔助粒子族群。在輔助的粒子和原始的粒子裡,表現良好的粒子被選擇,而且經由粒子族群最佳化,被選擇的粒子合作找尋發現一個較好的解。而被提出的自我產生模糊系統,被應用在不同的模糊控制器設計問題中。和其它的演化和族群智慧演算法比較,而它們的結合被實施用來證實所提出方法的性能。

在此所採用的螞蟻群最佳化演算法的硬體實現是使用FPGA晶片。原因是近年來可程式邏輯(PLD)的使用越來越普遍,並且電路設計流程變快且具有彈性。

Fig. 1 Block diagram of the proposed Ant and Particle Swarm Cooperative Optimization (APSCO).

Fig. 2 The relationships between pheromone matrix, ant paths, and selected rules consequent.

 

 

 

利用加強式螞蟻群聚學習之自我組織

第二類型模糊系統

本研究提出了一個利用加強式螞蟻群聚學習之自我組織第二類型模糊系統(SOIT2FS-R),並且應用在自主機器人控制上。SOIT2FS-R中每一條模糊規則前件部都是第二類型的模糊集合。一開始的模糊規則庫是空的。線上即時第二類型分群方法(AIT2FC)被提出來自動地產生模糊規則。AIT2FC不僅有靈活地分割輸入空間,也降低每一個輸入維度的模糊集合數量。每一條模糊規則後件部的設計使用Q值輔助螞蟻群最佳化(QACO),而QACO挑選後件部方法是利用候選行為集合相應的螞蟻費洛蒙痕跡和Q值。這兩值利用加強訊號更新。SOIT2FS-R方法應用在兩種可移動機器人控制問題上:倒車入庫控制和移動機器人沿牆走控制SOIT2FS-R和其他加強式模糊系統比較可驗證它的效能和功效。與第一類型模糊系統比較驗證了第二類型模糊系統對雜訊和不明確地環境的強健性。

Fig. 3 The consequent value is selected by an ant according to pheromone trails and Q-values, where the tour of an ant is marked by a bold line. The corresponding  pheromone matrix is shown below.

 

 

 

改善彈性交流輸電系統中模糊控制器的設計方法

為了提昇在彈性交流輸電系統(FACTS)中模糊控制器的效能,這篇論文提出五種群體智慧最佳化演算法。所設計的模糊控制器結合閘控串聯電容器(TCSC),有效地抑制了低頻振盪及改善了暫態情形。為了確認電力系統穩定度,此論文於輸電線路上使用了三種故障的暫態狀況來模擬抑制後的結果。依據轉速的變量,模糊控制器決定出近似串聯電容器容量,以達到FACTS系統上較佳的動態響應。包括F-CPSO-SK、F-CPSO-HK、F-HGAHPSO、F-HGACPSO-SK 和F-HGACPSO-HK等五種新的群體智慧最佳化演算法,被使用來設計出模糊控制器。F-CPSO-SK和F-CPSO-HK為合作型粒子群最佳化演算法。F-HGAHPSO導入了時變加速係數及慣性加權因數的概念到基因演算法和粒子群最佳化所混合的方法(HGAPSO)中。而F-HGACPSO-SK和F-HGACPSO-HK則導入了合作型架構到HGAPSO之中。與F-HGAPSO的模擬和比較,已經展現出所被提出的這些進化方法的效果和效率。

 

Fig.1 Flow of the proposed F-HGAPSO

Fig.2 Flow of the proposed F-HGAHPSO

Fig. 3 Flow of the proposed F-HGACPSO

 

  

 

藉由加強型連續螞蟻群聚最佳化設計前向型/遞迴模糊系統

本研究提出藉由分群連續螞蟻群聚最佳化(RCACO)設計前向型模糊系統,RCACO決定模糊系統的群數和最佳化每群的所有參數。它使用即時分群法決定群數並設定每群適當的初始參數,然後藉由連續螞蟻群聚最佳化每群的參數。不同於傳統的螞蟻群聚最佳化(ACO),ACO最佳化在離散域下,RCACO能夠最佳化在連續域中並且能達成較好的學習效率。在RCACO裡,螞蟻行經的路徑被當作每群的前件部和後件部的值,新的路徑挑選方式是透過初始解的費洛蒙量多寡決定,此解在高斯機率分布作取樣的動作,然後藉由區域最佳解從新定義。為了驗證RCACO的效能,模擬了三種非線性模糊控制的例子,與其他群聚智慧和基因演算法做比較。

本研究也提出藉由菁英連續螞蟻群聚最佳化(ECACO)設計遞迴型模糊系統,遞迴型模糊系統在此利用TSK-type設計簡稱TRFN。ECACO決定TRFN所有參數。不同於RCACO,ECACO藉由菁英解從新定義解。為了驗證ECACO的效能,模擬了動態例子和CSTR三個例子,與其他群聚智慧和基因演算法做比較。

Fig.1 Graphic representation of ACO for a discrete optimization problem, where the path of an ant is marked by a bold line.

 

 

 

描述: Fig2a

Fig. 1 Graph representation of RCACO (), the selected ant path (marked by a bold line) using greedy selection strategy, and the generated refined solution , .

描述: Fig2b

Fig. 2 Replacement of the candidate values and edges with the lowest pheromone level () by the refined solution .

 

Fig. 3 The selected ant path (marked by a bold line) using tournament selection strategy, and the generated refined solution , .

 

 

 

 一個混合基因演算法和粒子群最佳化設計遞迴式網路

 

 基於混合遺傳演算法(GA)和粒子群優化(PSO)的進化型遞迴類神經網路(HGAPSO)。在HGAPSO中,新的一代不僅如同遺傳演算法擁有交配與突變,也藉由粒子群優化。在HGAPSO中,利用選取菁英的概念,其中前半部最好的被視為候選人,然而並非直接複製到下一代,而是先透過PSO進化。這些進化的菁英被視為群,每菁英都對應到PSO中的一個粒子。這些增強過所組成的菁英所有新一代的總數一半,另外一半由交配和變異所產生。HGAPSO可應用於設計遞迴類神經網路於時間序列問題,設計tsk遞迴模糊類神經網路和應用在動態系統控制. HGAPSO的性能與GA以及PSO比較,HGAPSO展現了他優於其他兩者的優勢。

 

Fig. 1 Flow of HGAPSO

 

Fig. 2 Crossover operation on the individuals encoding the FCRNN

 

Fig. 3 Crossover operation on the individuals encoding the TRFN.