人工神经网络(ARTIFICIAL NEURAL NETWORK)是信息科学与高技术研究领域中一门令人瞩目的新兴学科,它是一种在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的工程系统。近年来,模糊神经网络因为其在机械、航天控制领域里的独特优势而成为该领域一个新的研究热点。随着诸如城市地铁系统、核反应控制系统和汽车传动控制系统的研究日趋完善,基于模糊控制方法的应用也日益增多,人们对模糊控制网络的设计与实现也进行了更为深入的研究。 在神经网络控制领域,倒立振子控制问题因为其代表性和复杂性,一直是一个典型的热点和难点问题。因此,神经网络控制领域里每一种新方法的提出,都倾向于把能否有效解决倒立振子控制问题作为衡量算法是否有效的一个标准。就目前的研究情况来看,已经提出了很多方法来解决这一课题,其中包括Anderson的AHC(Adaptive Heuristic Critic)方法:Peng J的基于动态规划的学习方法:反馈BP网络算法:传统的局部搜索算法,Q学习算法,智能控制规则算法和李德毅教授的云模型控制方法等。但是,在既有的这些方法中,都存在一定的缺陷,比如AHC方法不能有效解决网络陷入局部最小值问题,基于动态规划的方法收敛速度较慢,超过了实际应用中可以忍受的时间维度,而传统的局部搜索算法又不能成功解决初始大角度控制问题。 在本论文中,我们借鉴了前人控制模型和算法的有益经验,同时针对以往既有算法的缺点,提出一种改进的网络控制模型和算法解决方案来解决倒立振子控制问题。我们的创新工作主要体现在两个方面,一方面是对于模糊控制模型规则的重新构建,在前人提出ULR算子的基础之上,我们对以往的两模糊态四规则的传统模型进行了重新细化,构建出四模糊态十规则的模糊控制模型,从而使控制过程更为精确和灵敏,加快了控制速度。另外一方面是对于控制算法的改进研究,我们针对传统局部搜索算法常常陷入局部最小值而导致学习失败的弊端,提出了改良局部搜索算法,这种方法通过将学习过程中的固定步长改为可变步长,有效解决了模糊控制网络经常陷入局部最小值而导致无法收敛的问题,从而大大提高了神经网络的学习收敛速度和学习成功率。