智能控制算法论文

智能控制算法论文（精选11篇）

智能控制算法论文 篇1

ID3 算法是以信息论为基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类。ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。C4.5 算法核心思想是ID3 算法，是ID3 算法的改进，改进方面有： 1）用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2）在树构造过程中进行剪枝 3）能处理非离散的数据 4）能处理不完整的数据

C4.5 算法优点：产生的分类规则易于理解，准确率较高。缺点：

1)在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。2)C4.5 只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。2）K means 算法：

是一个简单的聚类算法，把n 的对象根据他们的属性分为k 个分割，k < n。算法的核心就是要优化失真函数J,使其收敛到局部最小值但不是全局最小值。

其中N 为样本数，K 是簇数，rnk b 表示n 属于第k 个簇，uk 是第k 个中心点的值。然后求出最优的uk

优点：算法速度很快

缺点是，分组的数目k 是一个输入参数，不合适的k 可能返回较差的结果。

3）朴素贝叶斯算法：

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。算法的基础是概率问题，分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。朴素贝叶斯假设是约束 性很强的假设，假设特征条件独立，但朴素贝叶斯算法简单，快速，具有较小的出错率。在朴素贝叶斯的应用中，主要研究了电子邮件过滤以及文本分类研究。

4)K 最近邻分类算法（KNN）

分类思想比较简单，从训练样本中找出K个与其最相近的样本，然后看这k个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。缺点：

1）K 值需要预先设定，而不能自适应

2）当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K 个邻居中大容量类的样本占多数。

该算法适用于对样本容量比较大的类域进行自动分类。

5)EM 最大期望算法

EM 算法是基于模型的聚类方法，是在概率模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量。E步估计隐含变量，M步估计其他参数，交替将极值推向最大。EM 算法比K-means 算法计算复杂，收敛也较慢，不适于大规模数据集和高维数据，但比K-means 算法计算结果稳定、准确。EM 经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

6）PageRank 算法

是google 的页面排序算法，是基于从许多优质的网页链接过来的网页，必定还是优质网页的回归关系，来判定所有网页的重要性。（也就是说，一个人有着越多牛X 朋友的人，他是牛X 的概率就越大。）优点：完全独立于查询，只依赖于网页链接结构，可以离线计算。缺点：1）PageRank 算法忽略了网页搜索的时效性。

2）旧网页排序很高，存在时间长，积累了大量的in-links，拥有最新资讯的新网页排名却很低，因为它们几乎没有in-links。

7)AdaBoost Adaboost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。整个过程如下所示：

1.先通过对N 个训练样本的学习得到第一个弱分类器；

2.将分错的样本和其他的新数据一起构成一个新的N 个的训练样本，通过对这个样本的学习得到第二个弱分类器； 3.将和都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器； 4.如此反复，最终得到经过提升的强分类器。

目前AdaBoost 算法广泛的应用于人脸检测、目标识别等领域。

8）Apriori 算法

Apriori 算法是一种挖掘关联规则的算法，用于挖掘其内含的、未知的却又实际存在的数据关系，其核心是基于两阶段频集思想的递推算法。Apriori 算法分为两个阶段：1）寻找频繁项集

2）由频繁项集找关联规则

算法缺点：

1）在每一步产生侯选项目集时循环产生的组合过多，没有排除不应该参与组合的元素；

2）每次计算项集的支持度时，都对数据库中的全部记录进行了一遍扫描比较，需要很大的I/O 负载。9）SVM 支持向量机

支持向量机是一种基于分类边界的方法。其基本原理是（以二维数据为例）：如果训练数据分布在二维平面上的点，它们按照其分类聚集在不同的区域。基于分类边界的分类算法的目标是，通过训练，找到这些分类之间的边界（直线的――称为线性划分，曲线的――称

为非线性划分）。对于多维数据（如N 维），可以将它们视为N 维空间中的点，而分类边界就是N 维空间中的面，称为超面（超面比N维空间少一维）。线性分类器使用超平面类型的边界，非线性分类器使用超曲面。

支持向量机的原理是将低维空间的点映射到高维空间，使它们成为线性可分，再使用线性划分的原理来判断分类边界。在高维空间中是一种线性划分，而在原有的数据空间中，是一种非线性划分。SVM 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。10）CART 分类与回归树

是一种决策树分类方法，采用基于最小距离的基尼指数估计函数，用来决定由该子数据集生成的决策树的拓展形。如果目标变量是标称的，称为分类树；如果目标变量是连续的，称为回归树。分类树是使用树结构算法将数据分成离散类的方法。优点

智能控制算法论文 篇2

1.1 PID控制器

在控制理论和技术飞速发展的今天, 工业过程控制中95%以上的控制回路都具有PID结构, 并且许多高级控制都是以PID控制为基础的。

PID控制器由比例单元 (P) , 积分单元 (I) 和微分单元 (D) 组成。在控制系统的设计与校正中, PID控制规律的优越性是明显的, 它的基本原理却比较简单。

基本的PID规律可描述为:

PID控制器由于用途广泛, 使用灵活, 已有系列化产品, 使用中只需要设定三个参数 (KP, KI, KD) 即可。在很多情况下, 并不一定需要三个单元, 可以取其中的一或两个单元, 不过比例控制单元是必不可少的

1.2 系统仿真设计

在Simulink中, 当进行纯比例 (P) 控制时, 把微分器的输出连线、积分器的连线都断开, “KP”的值从大到小进行试验。进行比例积分 (PI) 控制时, 把积分器输出的连线连上;进行比例积分微分 (PID) 控制时, 在积分的基础上把微分器输出的连线连上。

1.3 PID控制参数整定

由于单回路控制系统是闭环系统, 所以采用衰减曲线法。当只有KP控制整定时, KP=10.124, 比例放大系数和出现4:1衰减振荡时的比例系数相同。

1.4 仿真结果

P控制和PI控制的阶跃响应上升速度基本相同, 由于这两种控制的比例系数不同, 因此系统稳定的输出值不同。PI控制的超调量比P控制的要小, PID控制比P控制和PI控制的响应速度要快, 但是超调量大些。

2 实验装置串级控制系统

2.1 系统仿真设计

主控回路中的控制器称主控制器, 控制对象为下水箱, 下水箱的液位为系统的主控制量。副控回路中的控制器称副控制器, 控制对象为中水箱, 又称副对象, 中水箱的液位为系统的副控制量。系统设计的具体步骤如下:按“先副后主”, “先比例后积分最后微分”的整定程序, 设置主、副控制器的参数, 再观察过渡过程曲线, 必要时进行适当调整, 直到过程的动态品质达到满意为止。

2.2 串级控制系统的参数整定方法

对于水箱液位串级控制系统采用两步整定法。在工况稳定时, 首先将主回路闭合, 主、副控制器都在纯比例作用条件下, 主控制器的比例度置于100%, 然后用单回路控制系统的衰减 (如4:1) 曲线法来整定副回路, 控制器PID参数的初始值如下:KP=13, Ti=11。其次将副控制器的比例度置于所求得的δ2S值上, 且把副回路作为主回路中的一个环节, 用同样方法整定主回路, 经过反复的调整控制器PID参数的设定为:KP=0.8, Ti=0.2, Td=2, 增益Kc=1.5。

2.3 仿真结果

串级控制系统可快速克服进入副回路的各种扰动;对副回路对象特性变化具有很强的鲁棒性, 可克服副对象的非线性与其他特性变化。

3 实验装置模糊控制系统

3.1 模糊控制系统的基本结构

模糊控制器的基本结构, 它主要包括以下四个部分:

(1) 模糊化。模糊化的作用是将输入的精确量转换成模糊化量。其输入量包括外界的参考输入、系统的输出或状态等。

(2) 知识库。知识库中包含了具体应用领域中的知识和要求的控制目标。它通常由数据库和模糊控制规则库两部分组成。

(3) 模糊推理。模糊推理是模糊控制器的核心, 它具有模拟人的基于模糊概念的推理能力。该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。

(4) 清晰化。清晰化的作用是将模糊推理得到的控制量 (模糊量) 变换为实际用于控制的清晰量。

3.2 系统仿真设计

水箱控制系统模拟的控制对象是水箱的入水口阀门, 水箱的高度为20cm, 液面的高度要求控制在6~18cm之间采用双输入单输出的模糊控制系统模型, 将两个输入语言变量和一个输出语言变量的名称分别定义为:level;rate;valve。其中, level代表水位;rate代表水位变化率;valve代表阀门。

模糊控制也要根据实际控制规律来设计隶属函数, 制定模糊规则。

(1) 水位的模糊控制规则。 (1) If (水位误差小) then (阀门大小不变) 。 (2) If (水位低) then (阀门迅速打开) 。 (3) If (水位高) then (阀门迅速关闭) 。 (4) If (水位误差小且变化率为正) then (阀门缓慢关闭) 。 (5) If (水位误差小且变化率为负) then (阀门缓慢打开) 。

利用控制经验知识建立液位模糊控制规则, 再通过反模糊化输出改变调节阀的开度来改变水箱的水位, 以达到用模糊控制方法来控制水箱水位的目的。

(2) 实测值的模糊化。 (1) 水位的基本论域为[-1, 1], 量化为[-2-1 0 1 2]5个等级, 定义3个模糊语言变量:正大 (PB) 、零 (ZO) 、负大 (NB) 。 (2) 水位变化率的基本论域范围为[-0.1, 0.1], 也将其等分成[-2-1 0 1 2]5个等级, 同样定义3个语言变量:正大 (PB) 、零 (ZO) 、负大 (NB) 。 (3) 阀门的基本论域范围为[-1, 1], 将入水口的阀门的分为5种状态, 即迅速关闭阀门、缓慢关闭阀门、阀门大小不变、缓慢打开阀门、迅速打开阀门。设这5个等级分别为正大 (PB) 、正小 (PS) 、零 (ZO) 、负小 (NS) 、负大 (PB) 。

(3) 隶属度函数。 (1) 对系统的两个输入语言变量采用高斯型函数。 (2) 输出语言变量采用三角隶属度函数。

3.3 仿真结果

当水位控制系统只采用常规PID控制时, PID控制系统的超调量比模糊控制的超调量要大一些, 当具有模糊PID控制时, 实际的液位输出能完全跟踪给定的液位高度, 即有较强的稳定性且响应速度也较快。模糊控制可以使系统输出比较平滑快速, 没有超调出现。在鲁棒性方面, 由于模糊规则类似于人类的思维, 而且隶属度函数值分布是按照原先的经验确定的, 所以有较强的鲁棒性。FUZZY控制系统的抗干扰较好。模糊控制是一种仿人工控制, 它需要一定的经验, 所以在系统控制中往往和其它控制方法结合起来使用。

4 结论

智能控制算法论文 篇3

关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法

中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02

1 引言

Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。

文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。

2 文化算法基本原理

文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图：

种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。

3 文化-遗传算法

遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将遗传算法纳入文化算法的框架，形成基于遗传算法的主群体空间和信念空间两大空间，从收敛速度、收敛效率两方面来提高遗传算法的性能。文献[1]提出一种基于模式学习的文化遗传算法，该方法充分利用了优秀个体所包含的特征信息起引导作用，算例表明，文化-遗传算法可提高算法收敛速度。文献[2]为解决函数优化问题，针对遗传算法的不足之处，将文化-遗传算法用于函数优化，实验结果表明，新算法能够提高效率和精确度。文献[3，4]将遗传算法中交叉和变异算子嵌入文化算法的主群体空间进行传统的遗传算法操作，形成一种双层进化结构，该算法在计算效率和求解质量上均具有较好的效果。文献[5]和文献[6]分别针对DNA编码问题和装载机的连杆机构传动比问题，采用文化遗传算法克服了遗传算法进化效率不高的问题，从而提高计算速度。文献[7]提出了一种基于文化算法的双层机制结构的知识迁移多用户交互式遗传算法模型，该模型有效提高各用户的进化收敛速度，减轻用户疲劳。

4 文化-粒子群算法

粒子群算法（PSO）是在研究鸟类的群体行为时提出来的一种群智能算法。该算法虽简单，计算速度快，但收敛性、均匀性和局部搜索能力差。为了解决上述问题，并提高粒子群优化算法的精度与计算的效率，运用文化算法的并行计算能力及PSO的优点，将文化算法和PSO结合形成一种新型的智能算法，该算法利用优秀个体所包含的信息提高算法的收敛性，同时在局部最优问题上有一定的优越性，而且避免了群体早熟的发生。文化-粒子群算法的融合主要是将粒子群算法纳入文化算法的框架。

文献[8]将文化粒子群算法用于求解置换流水车间调度问题中的最小化最大完成时间，通过不断与信念空间中的优秀个体交互，加快群体收敛速度，该算法具有较快的收敛速度。文献[9]基于粒子群算法的改进多目标文化算法用于求解多目标优化问题，测试结果表明，改进多目标文化算法能够在保持Pareto解集多样性的同时具有较好的均匀性和收敛性。文献[10]提出以随机粒子群作为信念空间，以粒子群作为种群空间的进化算法，集成了rPSO大范围、高效率搜索和PSO局部精细化搜索的优点，较好地克服了PSO易“早熟”和收敛速度缓慢等问题。[11]利用文化粒子群算法的优点，设计了一种可快速进行多维搜索求解所提的基于模式空间的测向算法。

5 文化-差分进化算法

差分进化算法（DE）是一种采用实数矢量编码的并行搜索算法，其原理简单，受控参数少，易于编码与实现。但在收敛速度和搜索鲁棒性之间发生冲突，且后期收敛速度变慢， 容易陷入局部最优。无法有效的求解工程中复杂的高维非线性优化问题等缺点。文化-差分进化算法有效解决复杂度问题、提高全局搜索能力和到达收敛速度快的效果。文化-差分进化算法的融合主要是将差分进化算法纳入文化算法的种群空间。文献[12]提出一种混沌差分文化算法，测试结果表明，该算法能有效的避免早熟收敛，搜索到全局最优解的能力得到显著提高。文献[13]提出的差分文化算法是一种求解实数优化问题的新算法，具有收敛速度快和优化效果好的显著特点，并把差分文化算法推广应用到其他高维参数优化问题。文献[14]将改进差分进化算法引入文化算法的种群空间，并应用于约束求解问题。通过对基准函数和丁烯烷化生产调度问题进行仿真，结果表明这一算法有比较好的全局搜索能力，加快了收敛速度，并降低了计算量。

6 文化-免疫克隆算法

免疫克隆选择算法模拟生物学中的抗体克隆选择机理，通过克隆操作、免疫基因操作以及选择操作等新型算子，实现高效的搜索方法。免疫克隆选择算法有全局收敛能力差，选择机制又容易早熟收敛的缺点。文化-免疫克隆算法可兼顾全局探索和局部搜索能力，提高免疫克隆选择算法的收敛速度和进化性能，该算法主要将免疫克隆选择算法嵌入文化算法的种群空间，其应用前景广泛。文献[15]提出一种自适应免疫克隆选择文化算法，实验结果表明，该算法在整体上具有较好的全局寻优能力和解稳定性，且收敛速度较快。文献[16]提出了基于免疫文化算法的加热炉优化调度方法，通过利用免疫克隆的较强的搜索能力和文化算法信念知识的指导，使加热炉调度得到显著优化，不仅提高了轧制生产线的利用率，还缩短了加热炉的运行时间，减少了燃料消耗。文献[17]提出了一种基于免疫文化算法的封装式特征选择方法，实验表明该方法在降低数据维度和提高分类准确率上有着良好的效果。文献[18]采用文化算法的框架结构，将免疫克隆算法嵌入其中，利用免疫克隆算法的全局收敛性在数据库中迅速搜索关联规则，实验表明，该模型具有较快的收敛速度和所得关联规则的准确率较高。

7 文化算法与其他智能算法结合

文化算法除了与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法融合外，还可以与其他智能算法相结合，如文化算法融合神经网络[19]，文化算法融合蚁群算法[20-21]。此外，文化与两种以上的智能算法融合研究也逐步兴起，但研究相对较少。

8 结束语

文化算法是一种基于种群多进化过程的全局优化算法，通过文化算法与传统智能算法相结合可以提高算法的收敛速度、计算精度等，文化算法与传统智能算法的结合为解决复杂优化问题提供了新的途径，具有较好的应用前景。

参考文献：

[1]高丽丽.基于模式学习的文化遗传算法研究[J].计算机工程与应用，2007，43（22）.

[2]张敏.文化遗传算法的研究及其在函数优化中的应用[J].计算机工程与应用，2009，45（18）.

[3]李铁克.基于文化遗传算法求解柔性作业车间调度问题[J].计算机集成制造系统.2010，16（4）.

[4]王伟玲.一种求解作业车间调度问题的文化遗传算法[J].中国机械工程，2010，21（3）.

[5]王延峰.基于文化遗传算法的DNA编码序列设计[J].计算机工程与应用，2008，44（36）.

[6]齐建家.文化遗传算法用于装载机工作装置优化计算研究[J].设备管理与维修技术，2009，07-0071-03.

[7]张绍娟.基于知识迁移的多用户交互式遗传算法[J].控制理论与应用，2007，26（10）.

[8]朱霞.一种求解作业车间调度的文化粒子群算法[J].计算机应用研究，2012，29（4）.

[9]吴亚丽.一种基于粒子群算法的改进多目标文化算法[J].控制与决策，2012，27（8）.

[10]王正帅.基于文化框架的随机粒子群优化算法[J].计算机科学，2012，39（6）.

[11]李兴华.圆阵模式空间的文化粒子群极大似然测向算法[J].应用能源技术，2012（3）.

[12]卢有麟.混沌差分文化算法及其仿真应用研究[J].系统仿真学报，2009，21（16）.

[13]兰成章.基于差分文化算法的FIR数字滤波器设计[J].自动化技术与应用，2010，29（6）.

[14]黄福令.基于文化算法和改进差分进化算法的混合算法[J].计算机应用，2009，29（5）.

[15]郭一楠.自适应免疫克隆选择文化算法[J].电子学报，2010，38（4）.

[16]孙学刚.基免文化算法的特钢加热炉调度优化[J].控制理论与应用，2010，27（8）.

[17]宋辰，黄海燕.基于免疫文化算法的故障特征选择方法[J].计算机应用研究，2012，29（11）.

[18]杨光军.基于免疫克隆文化算法的关联规则挖掘[J].计算机工程与科学，2012，34（3）.

[19]魏秀.用文化算法改进的RBF神经网络在语音识别中的应用[J].科技情报开发与经济，2011，21（10）.

[20]薛小虎.基于改进的文化蚁群算法求解最优路径问题研究[J].佳木斯大学学报，2011，29（1）.

[21]李艳红.基于文化蚁群算法的过热汽温PID参数优化仿真研究[J].咸阳师范学院学报，2012，27（4）.

[基金项目]云南省教育厅科学研究基金项目，项目名称：“文化算法理论及其应用研究”，项目编号：2012Y162。

控制算法工程师的基本职责 篇4

1、根据不同的控制对象结构建立数学模型并设计控制方法;

2、针对机器人数学模型进行仿真，并评估控制算法性能(响应、跟随、精度、稳定性等);

3、根据动作目标设计优化现有机器人的控制参数;

4、受控环境下，无人车基于差分GPS路径跟随的自动控制算法开发与实现

5、多旋翼无人机基于多传感器融合的精准控制算法开发与实现。

6、负责现有自动驾驶控制模块的优化与升级，包括移动无人装备的全局和局部路径规划、轨迹跟踪以及货叉控制以及调度等。

职责描述：

任职要求：

1、自动化、航空航天等相关专业本科以上学历，运动控制软件开发3年以上经验，有工业产品量产经验;

2、熟悉C/C++，Windows/Linux编程平台，ROS系统，Git软件版本管理;

3、熟悉最优控制、自适应控制、预测控制、系统辨识、PID控制、PID自整定算法，有较强实践经验，可以将任务细化分割，并指导初级算法工程师进行相关项目的开发;

控制算法工程师的职责概述 篇5

1、研究并开发机器人自主定位算法。包括基于EKF、PF等模型进行地图构建，后端闭环检测及优化等;

2、研究并开发机器人自主导航算法。包括路径规划、运动规划，自主避障等。

3、研究并开多传感器融合算法，包括多传感器时间同步，矫正及信息融合等;

4、负责算法的优化、移植和产品化等。

任职要求：

1、2年或2年以上Python服务器应用开发经验，熟练掌握C/C++编程、Python语言编程，掌握Linux环境下软件开发;

2、具有较好的数学功底、掌握基础的数据结构与算法知识;

3、熟悉python文本识别技术以及脚本编写;

4、熟悉嵌入式系统和 Linux 系统;

控制算法工程师的工作职责 篇6

1. 负责3D模型切片算法的研究、设计、测试、与实现;

2. 负责3D扫描控制算法的研究、设计、测试、与实现;

3. 与其他工程师配合实现相关算法的产品化;

4. 对所研发的技术建档成文。

岗位要求：

1. 数学、计算机、通讯、电子、物理、机械等相关专业985和211本科及以上应届生，或者非985和211硕士及以上应届生，或者具备两年以上编程经验者;

2. 工作认真，踏实;

3. 熟练使用matlab、labview者优先;

4. 有C++开发经验者优先;

5. 有3D模型切片及相关程序开发经验者优先;

智能控制算法论文 篇7

关键词：发酵温度,模糊控制,PID温度控制,优化,模糊神经网络PID算法,仿真

啤酒发酵是个极其复杂的生化放热过程,也是决定啤酒质量的关键环节之一。在发酵过程中会产生许多中间代谢产物,如脂肪酸、高级醇及双乙酰等,而中间产物的代谢量取决于发酵温度,因此啤酒发酵温度的控制就至关重要。

发酵过程同时关系到菌体遗传特性分子、细胞代谢特性以及质量和热量与动量的传递工程,因此温度控制存在惯性大、滞后严重且非线性的特点,很难建立精确的数学模型[1]。目前,大部分发酵过程温度控制采用传统PID方式,但由于该方法存在很多不确定因素,很难得到较好的静态和动态性能,固定的参数使得系统的鲁棒性和自适应性相对较差。为此,笔者提出一种基于模糊神经网络PID的温度控制算法,并通过MATLAB进行试验性仿真[2]。

1 模糊神经网络

PID控制系统针对啤酒发酵温度控制的大时滞和大时变特性,笔者将模糊控制和神经网络PID并行使用,使得优化后的控制系统具有:模糊控制的灵活性和响应快速性,能够为神经网络创造优良的学习起点,使学习能尽快逼近目标;神经网络PID能够在神经网络“无知”时,使系统还具有可控性,并继承神经网络的自学习和自适应性强的特点。

在温度控制误差较大时,利用模糊控制快速响应误差的反传递尽快逼近理想目标,并为神经网络的自收敛提供合适的范围,使系统具有快速的可控性。模糊神经网络PID控制系统的原理如图1所示,其中r为目标温度,y为系统的实际温度,e为温度误差,Δe为温度误差的变化率,u1为模糊控制输出的隶属度,u2为神经网络PID控制器的输出,Kp、Ki和Kd分别为PID控制器的比例、积分和微分参数;模式辨识器根据e选择合适的控制算法,当e大于5℃时采用模糊控制算法,e小于5℃时采用神经网络PID控制算法。

1.1 模糊控制系统

模糊控制器设计采用在线查表的离线计算方法[3],该方法的优点是响应速度快、计算量小、程序简单且开发周期短。笔者采用二输入一输出的模糊温度控制器,首先确定输入量和输出量的论域与隶属函数,制定在线控制规则表,将e的变化范围(-20℃,+20℃)和Δe的变化范围(-0.5,+0.5)变换到[-6,-5,-4,-3,-2,-1,0,+1,+2,+3,+4,+5,+6]的论域中,模糊子集为[NB,NM,NS,ZO,PS,PM,PB];输出变量u1的论域为[-6,-5,-4,-3,-2,-1,0,+1,+2,+3,+4,+5,+6],其对应的实际变化范围为(4mA,20mA),模糊子集为[NB,NM,NS,ZO,PS,PM,PB]。此处,所有变量均采用对称三角形隶属函数,如图2所示。

根据啤酒发酵温度控制的人工经验编写模糊控制规则。以发酵过程的实际温度高于设定温度且温度误差仍在增大(即e=NB,Δe=NB)为例,此时应增大冷媒介质阀门的开度以加大冷却液的流量,从而降低啤酒发酵温度,因此其输出为正大(u1=PB)。类似地,分别建立e分别为NM、NS、ZO、PS、PM和PB时的模糊控制规则(表1),之后利用重心法对查表后的u1去模糊化,将其转换为4～20mA的电流模拟量用以控制流量调节阀的开度。

1.2 神经网络PID控制系统

笔者采用二输入三输出的三层BP神经网络,其神经元结构如图3所示,输入层的两个端口分别对应e和Δe;输出层的端口分别对应PID的3个可调参数Kp、Ki和Kd,并通过调节神经网络权值系数来调整PID的控制参数,使之达到最优。

三层BP神经网络结构的输入为[4,5]:

Oundefined=x(j)

式中 x(j)——输入端对应的输入量,即e和Δe。

网络隐含层的输入、输出分别为:

undefined

式中 Δwundefined——隐含层加权系数。

隐含层神经元的活化函数取正负对称的Sigmoid函数,即undefined。

网络输出层的输入、输出分别为:

undefined

式中 Δwundefined——输出层加权系数。

由于Kp、Ki和Kd不能为负,以输出层神经元的活化函数取非负的Sigmoid函数undefined。

以上公式中的上角标(1)、(2)和(3)分别代表输入层、隐含层和输出层,输出层节点分别对应可调参数Kp、Ki和Kd。按照梯度下降法修正网络的权系数,即按undefined,网络输入层到隐含层的权值学习算法为:

undefined

式中 α——惯性系数;

η——学习速率。

不同的输出层有:

undefined

同理可得隐含层的权值学习算法为:

undefined

网络隐含层到输出层的权值学习算法为:

undefined

2 仿真

对某啤酒厂的啤酒发酵罐内温度系统进行机理建模和测试建模[6],确定啤酒发酵罐温度的数学模型undefined,其中放大系数K为-0.53,时间常数T为199.26s,响应滞后时间τ为540s,因此其传递函数undefined。

控制器的采样时间Ts设为0.1s,BP神经网络的惯性系数α取为0.05,学习速率η取0.02,各层加权系数的初始值为[-0.3,0.3]的随机数,利用传统PID控制、模糊控制和模糊神经网络PID控制对阶跃信号r=10mA(相当于控制温度50℃)进行仿真,其中传统PID控制的Kp设定为0.021、Ki为0.170、Kd为0.021。仿真结果如图4所示,模糊神经网络PID控制算法无超调量,响应时间不大于7s,静态误差不大于0.02mA,因此该算法的静态响应速度比另两种常规控制算法要快,具有静态误差小及无超调等优点。

分别利用传统PID控制器和模糊神经网络PID控制器对锯齿波进行拟合式仿真(图5),以验证控制器的动态特性和自适应调节能力。可以看出,当锯齿波变化时能够及时调整PID的3个控制参数,使系统很快回到平稳状态,因此其动态特性也优于传统PID算法,说明模糊神经网络PID算法在受到干扰时自适应调整能力较强,可通过修改PID的3个参数提高系统的鲁棒性。

以实验室温度控制器为平台,利用模糊神经网络PID控制算法仿真啤酒发酵工艺的温度曲线,其仿真结果如图6所示。

3 结束语

从仿真结果可以看出,模糊神经网络PID控制算法能够满足温度误差最大值小于0.5℃的工艺要求,说明模糊神经网络PID控制算法具有响应速度快、超调量小、静态误差小和自适应能力强的优点。以此算法构建啤酒发酵的温度控制器不但能够提高发酵温度的控制精度,还能抑制实际生产中不定因素的影响,提高了啤酒的质量和品质的稳定性,降低了生产成本。

参考文献

[1]封子文,李宏光,陈兰朋,等.基于PID控制器性能评价[J].石油化工自动化,2012,48(3):30～33.

[2]杜锋,雷鸣.啤酒发酵过程温度控制策略[J].酿酒,2002,29(6):29～31.

[3]陈岩.模糊PID控制在温室环境中的应用[J].农机化研究,2010,8(2):23～25.

[4]Tan Y H,Dang X J.PID Gradient Algorithm for Neural Network Based Generalized Nonlinear PID Controller[J].Control Theory and Application,2000,17(6):861～867.

[5]柴燕,杨博媚,张文英,等.基于BP神经网络的PID智能温度控制器设计[J].中国仪器仪表,2006,(5):61～65.

智能控制算法论文 篇8

DOI：10.13340/j.jsmu.2016.04.015

文章编号：1672-9498（2016）04008205

摘要：在对多智能体的编队控制上，当输入和系统状态受到约束时，模型预测控制算法比传统的输入输出反馈线性化控制算法具有显著的优势，但传统的模型预测控制算法需要在线优化控制，从而导致巨大的在线负担.为减小这种在线负担，提出一种双模式模型预测控制算法.该算法使用模型预测控制器对控制变量进行在线优化，使得未来某时刻的系统状态进入终端约束集内；此时将系统状态作为输入输出反馈线性化控制器的输入，将系统状态驱动到稳定值；在目标函数中加入避碰函数来有效避免邻近多智能体间的碰撞.仿真结果表明，当输入和状态受到约束时，双模式模型预测控制算法在对多智能体编队控制上比仅使用输入输出反馈线性化控制算法具有明显的优势.

关键词：

多智能体； 编队控制； 双模式； 模型预测控制； 反馈； 避碰

中图分类号： TP242 文献标志码： A

3结束语

当设定领航智能体的初速度vi<0时，基于输入输出反馈线性化控制器的多智能体跟随控制的偏差较大，很难实现一些编队控制.使用模型预测控制可改善多智能体跟随控制的精度，有效实现编队控制.双模式模型预测控制算法在结合输入输出反馈线性化控制器后，能有效降低模型预测控制在线优化的计算量，有利于实现大型多智能体编队系统的实时控制.

参考文献：

[1]HERNANSANZ A， CASALS A， AMAT J. A multirobot cooperation strategy for dexterous task oriented teleoperation[J]. Robotics and Autonomous Systems， 2015， 68： 156172. DOI： 10.1016/j.robot.2014.12.007.

[2]谭民， 王硕. 机器人技术研究进展[J]. 自动化学报， 2013， 39（7）： 963972. DOI： 10.3724/SP.J.1004.2013.00963.

[3]ANDRES A P， RICHARD H M， OLIVER M. Cyclic interconnection for formation control of 1D vehicle strings[J]. European Journal of Control， 2016， 27（1）： 3644. DOI： 10.1016/j.ejcon.2015.12.002.

[4]ANAND A， NITHYA M， SUDARSHAN T. Coordination of mobile robots with masterslave architecture for a service application[C]// Cycle Pure Agarbathies. Proceedings of 2014 International Conference on Contemporary Computing and Informatics. Mysuru， India： IEEE， 2015： 539543. DOI： 10.1109/IC3I.2014.7019647.

[5]XU J. Fault tolerant finitetime leaderfollower formation control for autonomous surface vessels with LOS range and angle constraints[J]. Automatica， 2016， 68（1）： 228236. DOI： 10.1016/j.automatica.2016.01.064.

[6]DESAI J， OSTROWSKI J P， KUMAR V. Controlling formations of multiple mobile robots[C]// Robotics and Automation. Leuven： IEEE， 1998： 28642869.

[7]QIN J， ZHENG W， GAO H. Coordination of multiple agents with doubleintegrator dynamics under generalized interaction topologies[J]. IEEE Transactions on Systems Man and Cybernetics Part B Cybernetics， 2012， 42（1）： 4457. DOI： 10.1109/TSMCB.2011.2164523.

[8]LU X， LU R， CHEN S， et al. Finitetime distributed tracking control for multiagent systems with a virtual

leader[J]. IEEE Transactions on Circuits and Systems， 2013， 60（2）： 352362. DOI：10.1109/TCSI.2012.2215786.

控制算法工程师的岗位职责表述 篇9

1.进行双足机器人控制算法开发;

2.根据不同的控制对象结构建立数学模型并设计控制方法;

3.针对机器人数学模型进行仿真，并评估控制算法性能(响应、跟随、精度、稳定性等);

4.根据动作目标设计优化现有机器人的控制参数;

5.双足机器人运动控制算法的设计、开发与实现;

6.熟练阅读英文文献并相关撰写文档;

7.配合嵌入式工程师进行代码移植;

8.协助团队进行系统集成与调试;

9. 负责相关科研课题申报书、研究报告、结题报告等撰写。

任职资格：

1. 计算机、自动化、机械、电子相关专业本科以上，211、985院校，研究方向为机器人或机器人密切相关行业;

2. 本科三年以上相关工作经验，也欢迎应届硕博毕业生联系实习;

3. 扎实的数学功底和C/C++编程基础;

4.精通现代控制理论、状态空间、PID、模式识别至少两项;

5.掌握机器人运动学和动力学建模的基本方法;

6.熟悉linux开发和嵌入式系统开发;

7.具备学习新知识的能力，思维灵活，有良好的沟通能力、协作精神和进取心，热爱机器人行业;

控制算法工程师的具体职责范围 篇10

1. 复杂机器人系统运动控制算法分析与设计;

2. 进行仿真分析并完成代码实现;

3. 指导调试工程师完成控制器参数整定;

4. 编写控制相关设计文档;

5. 积极完成临时安排的其他任务。

任职要求

1. 自动控制相关专业，本科及以上学历，三年以上相关行业从业经验;

2. 有良好的控制理论基础，有运动控制算法与研究经验;

3. 有无刷电机系统建模与控制经验者优先;

4. 熟练掌握C++，并具有matlab仿真与控制器设计经验;

5. 具有系统振动分析与控制、信号处理等经验者优先。

★ 算法工程师岗位的工作职责

★ 视觉算法工程师的工作职责

★ 通信算法工程师的岗位职责

★ 集成电路算法工程师求职简历

★ 财务职责和要求概述

★ 多媒体工程师岗位职责具体概述

★ 业务工程师岗位职责具体概述

★ 项目工程师职责

★ 高级算法工程师的岗位职责说明

智能控制算法论文 篇11

摘要：安全策略切换判决算法的设计面临着这样一对矛盾：效率与性能。如何在保证效率的条件下提高安全切换判决算法的性能是安全策略切换算法设计的一个难点。本文提出了一种基于网络辅助终端判决的安全策略切换判决算法，将网络QoS性能的评估交给网络端完成，有效的降低了终端的计算量，提高了效率。另外由于不同安全应用有着不同的QoS要求，因此本文充分考虑了安全应用的安全业务类型，在网络端针对四种不同业务类型分别设计了基于模糊逻辑的网络QoS得分计算方法，满足了安全应用的QoS需求。此外，本文充分考虑到这样一种情况：当前的网络状况不能代表未来的网络状况，而网络状况的变化一般呈现出一定的变化趋势。因此，本文利用当前的网络状态来预测未来的网络状况，为安全策略切换判决提供了更加全面的网络QoS信息。

关键词：智能电网；安全策略；切换

中图分类号：TP391.41

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.09.019

0 引言

随着我国智能电网的建设，网络向用户侧延伸，“互动化”的需求给公司目前的信息安全隔离体系提出了新的要求，在设计上遵循原有的三道防线架构不变。其中在智能电网互动化环境下信息安全隔离体系中的第一道防线中增加了互动化安全区，主要是为了实现用户通过互联网与电网之间的安全互动和智能终端接入的安全策略切换。传统的基于效用函数的安全策略切换算法一般会考虑RSS和其他参数，Xia R等人使用最优化的效用函数来达到用户满意度和网络安全效率的平衡。Li QM等人提出了一种以用户为分析中心的安全策略切换算法，这种方法的一个重要特性就是考虑用户的满意度，但是它只能适用于非实时的安全应用。Li QM，Zhang H等人提出了一种基于博弈论的切换算法，该算法基于贝叶斯纳什均衡点极大的减少了切换延迟，也使用户能够总是以最高的网络利用率和最合适的安全成本连接到最好的安全网络。虽然学者们已经提出了很多安全切换判决的算法，但是，现有的算法在代价和性能之间存在着矛盾，无法满足实际的应用需求。另外，从国内外的研究现状来看，对于支持安全策略切换的框架研究较少，而高效的切换框架能够有效地提升整个安全切换判决的性能。因此，异构网络的安全切换判决技术仍然是一个研究的重点，也是一个研究的热点。本文在前人的研究基础上，提出一种基于终端控制和网络辅助的安全切换判决算法，在算法中利用了一阶单变量灰色预测模型GM（1，1）和模糊逻辑系统这两个基本模型系统。

通过公式4的预测方程，我们可以利用样本数据来预测未来数据。

基于模糊逻辑的切换算法一般有三个部分：模糊化、模糊规则和去模糊化（清晰化）。网络QoS参数经过模糊化以后利用模糊规则输出模糊评价值，最后通过去模糊化得到网络的切换评价得分，如图l所示。可用带宽（Available Bandwidth）、端到端延迟（End to EndDelay，E2EDelay）、抖动（Jitter）、误码率（Bit ErrorRate，BER）作为4个输入参数，经过隶属度函数的模糊化以后得到一系列模糊值，交给判决模块，判决模块通过模糊逻辑规则（Fuzzy Rule）输出判决结果，判决结果还是一个模糊值，最后通过利用输出参数的隶属度函数去模糊化以后输出一个清晰值——网络安全切换判决得分。选择得分最高的一个网络作为切换的目标网络，执行安全策略切换，从当前服务网络切换到目标网络。

传统的基于模糊逻辑的安全切换判决算法一般在终端完成网络的安全切换判决，通过收集网络的信息以及终端和用户的信息作为模糊逻辑系统的输入参数，经过模糊逻辑系统的计算后得出一个综合安全切换判决得分，最后根据得分的高低做出安全策略切换的判决。如图2所示，终端判断接收信息强度RSS是否低于阈值，如果低于阈值则发起切换的判决。判决过程如下：首先检测周围的可用网络，然后获取网络的QoS等信息以及终端和用户的属性信息，接着利用模糊逻辑系统做出安全切换判决，最后选择一个切换得分最高的网络作为切换目标网络完成网络的切换。

（l）模糊化

模糊化的过程就是利用隶属度函数将输入参数模糊化，模糊集合一般设为{Low，Mediu，Hi曲}，隶属度函数如图3所示，本文提出的安全切换判决算法中采用的也是图3中所描述的三角形状的隶属度函数。

从图3可以看出，对于参数P和网络N，则有如下三点区域：

2 基于网络得分预测和模糊逻辑优化的安全切换判决算法

模糊逻辑对于处理模糊的不确定的信息具有天然的优势，因此已经有多位学者提出了基于模糊逻辑的安全切换判决算法，Li等人提出了一种优化的基于模糊逻辑的安全切换判决算法，将遗传算法应用到隶属度函数的优化中，实验结果表明该优化算法能够在保证用户满意度的前提下减少切换的次数，有效的避免了“乒乓效应”。然而此方法只考虑了3个参数：接收信号强度（RSS），网络费用（Cost），数据率（DataRate），并没有考虑终端的属性。Xia等人提出了一种考虑多属性的基于模糊神经的安全切换判决算法，该算法使用可用带宽（Bandwidth），终端移动速度，用户数，接收信号强度（RSS），能耗，网络覆盖范围作为输入参数，通过模糊神经做出安全切换判决。该算法综合考虑了多种参数，利用拥有自学习能力的模糊神经网络，提高了用户的QoS满意度，但是算法的复杂度较高，不太适用于真实的环境。

以上算法虽然都是基于模糊逻辑的优化算法，但是他们都没有考虑未来网络的可能状况，也没有考虑当前应用的安全业务类型，因为不同的安全业务类型有着不同的QoS需求。本文基于以上分析，提出了一种基于网络得分预测和模糊逻辑优化的安全切换判决算法（Security Prediction andFuzzy-Logic Based Vertical Switch Decision Algo-rithm，SPFL）。该算法和已有算法的主要区别是：

1）面向QoS安全感知，根据4个安全业务分类分别计算网络的QoS得分。

2）基于网络辅助的切换方式，网络端负责计算自身QoS得分，有效地减少了终端的计算负担，提高了算法的实用性。

3）基于一阶单变量灰色预测模型GM（1，1）预测网络未来QoS得分，将当前网络得分、未来网络预测得分和终端能耗结合考虑，提高了切换的准确性，减少了不必要的切换，有效降低了“乒乓效应”，并且延长了终端的续航时间。

4）采用网络的预筛选和预判决。网络预筛选可以有效地删除一些不满足条件的候选网络，减少候选网络的数量，从而降低计算的复杂度，有效地降低安全切换判决的时间。预判决可以为终端用户提前做出网络切换的判决，提高用户的满意度。

SPFL算法的基本思路基于如下的思想：不同的安全应用有不同QoS需求，区分应用的安全业务类型能够有效提高网络QoS评价的准确性。此外，网络QoS参数代表了网络的性能指标，而且当前最好网络不一定是未来的最佳网络，当前的次好的网络未来可能是最佳的网络。因此直接选择未来的最佳网络能够极大的减少不必要的切换次数，从而降低“乒乓效应”。

SPFL算法作为面向网络QoS的安全切换判决算法重点考虑了可用带宽（Available Bandwidth）、端到端延迟（End to End Delay，E2EDelay）、抖动（Jitter）和误码率（Bit Error Rate，BER）四种网络QoS参数，针对每个网络计算对应网络QoS得分。在评价网络QoS得分时，SPFL算法针对不同的安全业务类型设计了不同的评分标准。在此基础上利用GM（1，1）预测模型预测未来网络的QoS得分，最后综合考虑候选网络的真实QoS得分和预测QoS得分，做出网络切换的判决，并选择一个最优的网络作为目标切换网络。

另一方面，考虑到网络较多的时候，算法的计算量比较大，而终端的计算能力有限。SPFL算法在给网络评价之前，根据终端的特性做了一个初步的候选网络的筛选，从而大大降低了算法的计算量。此外对于一些必需切换的情况，比如RSS急剧下滑、马上要离开当前网络的覆盖范围等情况，SPFL算法也提供了相应的切换策略。

基于网络得分预测和模糊逻辑优化的安全切换判决（SPFI）算法主要包括预处理、基于模糊逻辑的网络得分的计算、基于GM（1，1）预测模型的网络QoS得分预测和网络选择4个主要步骤。

1）预处理

预处理作为安全切换判决算法的第一个阶段对整个算法的性能有着主导的作用，在本文提出的预处理阶段主要完成两项任务：第一，切换预判决，根据当前网络RSS和预计驻留时间做出提前的网络安全切换判决；第二、候选网络筛选，对终端移动速度和驻留时间做预筛选，删除不满足条件的网络，从而减少候选网络的数量，降低整体算法的复杂度。

切换预判决

当终端感知到当前服务网络的接收信号强度RSS低于阈值RSS_th时，一个被迫的切换不得不被执行。此时为了避免服务的中断，必须快速完成切换，因此会选择可用网络中上一次排名较高的网络作为目标切换网络。

另一方面，在RSS暂时还满足要求的情况下，如果预计到终端马上要离开当前网络，即预计驻留时间小于最小的阈值（本文取阈值为IOS），则会提前执行下面的第二步——基于模糊逻辑的网络得分计算和第三步——基于GM（1，1）预测模型的网络QoS预测，提前完成网络的切换，提高用户的满意度。图4描述了切换预判决阶段的流程。

候选网络预筛选

终端移动速度筛选。不同的网络支持的最大的移动速度不一样，比如WiFi只能支持步行的速度Skm/h，而UTMS和WiMax（802.16e）均可以支持120km/h以上的移动速度，完全满足城市交通的速度。因此如果当前终端移动速度大于5km/h，则可以将WiFi网络从候选网络列表中删除。

预计驻留时间筛选。驻留时间体现了终端在候选网络中的预计停留时间，如果停留时间太短，则频繁的网络切换会导致服务质量的下降，降低用户的满意度。因此根据终端在候选网络中的预计驻留时间做出网络的预筛选，将预计驻留时间小于Imin的网络从候选网络列表中删除。图5描述了候选网络预筛选流程图。

2）基于模糊逻辑的网络QoS得分的计算

我们知道网络QoS是评价网络好坏的一个重要指标，以往的算法一般都是在终端计算网络的QoS得分，而网络QoS得分依赖于网络的QoS参数，不同的网络需要分别计算，因此随着可用网络数目的增加，网络QoS的计算量也在不断增加，极大的浪费了终端的计算能力。为此，在第三章介绍的切换框架的基础上，本文采用网络端负责QoS得分计算的方式，充分利用了网络的计算能力，大大减少了终端的计算量，增加了算法的实用性。同时充分考虑了不同的应用安全业务类型对于网络QoS参数要求的不同，设计了4种针对不同安全业务类型的模糊逻辑系统来完成网络的QoS得分的计算。下面从隶属度函数设计、模糊逻辑规则设计两个方面展开详细介绍。

隶属度函数设计

通过前面预处理之后，我们得到了满足终端特性需求的候选网络，在本阶段中，我们考虑网络的QoS参数包括可用带宽（Available Bandwidth）、端到端延迟（End to End Delay，E2EDelay）、抖动（Jitter）、误码率（Bit Error Rate，BER）。由于这些参数拥有很大的模糊性，很多时候常常是用高低来衡量，因此，基于模糊逻辑的网络得分计算被应用到本文的网络QoS得分计算中。首先需要对这个4个QoS设计隶属度函数，图6展示了这四个参数的隶属度函数。

输出隶属度函数如图7所示，区间[0，50]为Low，[25，75]为Medium，[50，100]为High。

模糊规则设计

由前面的介绍知道，不同的应用安全业务类型拥有不同的QoS需求，因此本文在传统的基于模糊逻辑的安全切换判决算法的基础上，充分考虑了当前应用的安全业务类型对安全切换判决的影响，分别给通话安全业务、流媒体安全业务、交互式安全业务和后台安全业务设计了4种不同的模糊逻辑规则，表l描述不同安全业务类型的QoS需求。

就本文而言，对于每一个安全业务类型有3*3*3*3=81条规则，4种安全业务类型的话一共产生4*81=324条规则，由于篇幅限制，本文仅给每个安全业务列出几个规则样例以方便说明，如表2所示。

从表2中可以看出，每个模糊规则都严格按照不同的安全业务类型的QoS需求来设计，其他规则也可以按照同样的思路完成设计。

3）基于GM（1，1）预测模型的网络QoS得分预测

QoS得分会被记录在终端的网络信息数据库中，而这些得分随着网络状态变化也会动态的变化，当前的网络状态不能代表未来网络的状态，而最近的网络变化趋势可以预测未来网络的状况。因此本文设计了基于一阶单变量灰色预测模型GM（1，1）的网络QoS得分预测模型，具体过程如下。

至此我们得到两个网络排名列表：基于当前网络QoS计算值的网络排名列表和基于未来网络QoS预测值的网络排名列表，假设排名结果如表3所示：结果，WLAN排在候选网络的第一名，但是在网络预测结果中，WLAN的得分下降到了80，排在第二名，而UMTS网络的预测得分上升到了85，排在了第一名，由此可见，UMTS网络QoS正在呈上升趋势，而WLAN正在呈下降趋势，并且未来很快UMTS的得分将会超越WLAN，因此我们做出的安全切换判决应该是切换到UMTS，从而减少了切换次数，避免了不必要的网络切换，降低了“乒乓效应”。

4）网络选择

网络选择作为安全切换判决的最后一步，是一个决定性的一步。本文提出的安全切换判决算法中网络选择考虑的因素包括网络QoS真实值、网络QoS预测值和能耗。

首先分析网络QoS真实值、网络QoS预测值对于网络选择的影响。网络QoS真实值反应了当前网络的真实状况，网络QoS预测值代表的是未来网络的预测状况。在此提出一个切换选择的主要准则：如果候选网络的预测值大于当前服务网络的预测值，并且候选网络的预测值大于可接受的网络QoS阈值，则执行网络切换，否则停留在当前网络。

在此基础上给出一个网络过滤规则：如果候选网络的真实值低于可接受的网络QoS阈值，则排除该候选网络。提出此过滤规则的目地是为了排除激进的网络切换，所谓激进的网络切换是指候选网络的真实值低于阈值的情况下，预测值高于阈值并且排在第一名，从而导致的不可靠的网络切换。

3 结论