模糊控制为解决具有不确定性(结构不确定性、参数不确定性)、非线性以及多变量等特性的复杂难建模系统的控制问题提供了一种有效的控制方法。近三十年来，模糊控制取得了长足的发展，在许多领域得到了成功应用。然而模糊控制器的系统化的设计方法和理论分析远非成熟，尤其是模糊集隶属函数的确定和控制规则的获取一直是困扰模糊控制系统设计的主要问题。本文的工作将围绕着模糊控制器的遗传优化而展开。 本文第一章简略回顾了模糊控制和遗传算法的发展历程，指出遗传算法作为一种全局优化的方法，是适合用于模糊控制器的优化设计的。 本文第二章介绍模糊控制器、遗传算法和模糊控制器的遗传优化的有关研究背景。本章发展了基于规则的模糊控制器的思想，指出基于规则的模糊控制器和传统的基于领域的模糊控制器在结构和对问题的表达方式上是截然不同的，基于规则的模糊控制器更适合用遗传算法来进行优化。本章还介绍了模糊控制器遗传优化的一般流程，总结了前人在模糊控制器／模糊分类器进化优化方面所做的工作。 第三章提出了在控制器级和控制规则级同时进化的观点。历史上，遗传算法用于模糊控制器的优化设计有两种基本方法，即匹兹堡方法和密歇根方法，两者各有优缺点。本章提出的模糊控制器遗传优化的CPM方法能够在相当程度上解决这两种方法所面临的困难。CPM方法在两个层次上对控制器进行优化。在全局，CPM方法以一般的匹兹堡方法对整个模糊控制器进行优化，在局部，CPM方法通过引进模糊控制系统“能量”的概念，将每一控制动作前后系统的“能量差”以一定的方式分配到各激活的控制规则，有效地完成了对各控制规则的评价，因而能将规则评价的信息用于密歇根方法的优化。这种结合既利用了匹兹堡方法整体优化的特性，又利用了密歇根方法局部优化的能力，对模糊控制器遗传优化效率的提高极为有益。 本章还介绍了作者设计实现的模糊控制器／分类器的遗传优化系统——GoFLC系统的主要特点，除CPM方法外，还包括控制规则数量和规则输入隶属函数数量的削减，模糊控制器的分段进化等。 第四章介绍GoFLC系统用于优化典型的非线性系统——倒摆系统的模糊控制器的情况，深入研究了控制器与规则的同时进化的CPM方法，包括控制规则的评价、能量函数的选取原则、能量函数的形状、CPM方法与控制器规则数量的关系等。 本章还广泛研究了控制规则的削减、规则的输入隶属函数的削减、控