模糊滑模控制算法研究綜述

隨著控制理論實踐的不斷深入，被控對象的結構及數學模型也越來越復雜，呈現出時變性、多輸入多輸出、高度復雜性、非線性、不確定性等特點。面對這些復雜特征，出現了諸如變結構控制、模糊控制、神經網絡控制以及智能控制等新的控制手段。本文就模糊滑模控制的產生及發展現狀做簡單介紹。

一、常規模糊滑模控制

模糊控制和滑模變結構控制各有優缺點，有某種相似之處，又有互補之處。20世紀90年代以后，專家學者把二者結合，構成模糊滑模控制，實現兩者之間的取長補短。同時還可在一定程度上削弱或克服滑模變結構控制的抖動現象。目前，模糊控制與滑模變結構控制的結合運用主要有以下三種方式。

1.通過模糊控制規則自適應地調節符號函數項的值。

2.通過模糊控制規則直接確定滑模控制量。

3.變結構控制、模糊控制的復合控制策略。

二、自適應模糊滑模控制

普通的模糊滑模控制的設計仍然是基于經驗的。由于模糊規則的選取有很大的任意性，在很多情況下有效經驗的獲取并不是容易的事。為了達到一定精度，選擇的模糊規則可能非常復雜，且系統參數在控制過程中也沒有自適應和自學習能力。為使系統在不確定性以及對象出現參數和結構變化的情況下保證不變性，自適應模糊滑模控制應運而生，并成為非線性系統自適應控制方法研究的主流。

三、基于模糊神經網絡的滑模控制

人工神經網絡同樣具有自學習和自適應的能力。它和模糊系統的結合有助于擴大二者在滑模控制領域內的應用。模糊神經網絡結合了模糊控制與神經網絡控制兩者的優勢，不僅具有神經網絡自學習和快速處理的能力，而且具有模糊控制系統，能夠充分利用先驗知識，以較少的規則數來表達知識的優勢，避免了神經網絡不能很好地利用已有經驗知識，往往將初始權值取為零或隨機數，使網絡訓練時間變長或者陷入非要求的局部極值的缺點，也避免了模糊控制由于缺乏自學能力和自適應能力，給控制器參數的學習和調整帶來的困難。

四、模糊滑模控制與其他策略的結合

除了以上所描述的問題之外，關于模糊滑模控制和其它策略相結合還有其他諸多方面的內容，它們體現了控制理論的交叉融合。遺傳算法作為一種優化算法，在模糊滑模控制中亦得到較多應用。可以采用遺傳算法對控制器增益參數、模糊規則、隸屬函數進行優化，有效減小或消除抖振。當然還有其他算法與模糊滑模控制的結合應用，在此就不再贅述。

編輯 張珍珍