近年来,神经网络的研究得到了异常迅速的发展,神经网络的特征充分显示了其在解决高度非线性和严重不确定性系统控制方面的巨大潜力,在各门学科领域中都有重要的意义。本文将模糊神经网络与遗传算法结合起来用于非线性系统控制问题的研究。阐述了基本设计思想和算法实现过程。由于模糊神经网络不需要对象的准确模型,它以分布的方式存储信息,利用网络的拓扑结构和权值分布实现非线性映射,在处理非线性的问题中是一个很好的工具。同时通过在神经网络框架下引入模糊规则,使网络中的权值有明显的意义,且保留了神经网络的学习机制。在搜索求解的过程中,本文针对权值的学习采用进化算法,可避免原有BP算法极易陷入局部最优值的缺点,利用遗传算法获得全局最优解。在综述国内外研究的基础上,本文把人工神经网络、模糊集理论和遗传算法结合起来尝试建立模糊神经网络实时模型,同时通过仿真手段模拟系统运行结果,对系统的性能进行进一步的讨论并探讨优化系统结构的方向,同时,系统的应用结果也表明了该方法的有效性达到预定要求。本文的主要研究工作及成果概括如下:综述了神经网络在智能控制中的应用发展历史、发展现状及其存在的问题。简略讨论了基本的神经网络构架和算法,在此基础上提出本文的研究目的和研究的基本思路。详细讨论了模糊逻辑、神经网络和遗传算法的基本理论体系和它们之间的内在联系。提出结合模糊逻辑的不确定性推理的优点和遗传算法的优秀搜索功能来改善神经网络求解能力的思想,就神经网络中模糊逻辑和遗传算法的应用方向和进行了探讨。针对控制系统及其要素的模糊性以及它们之间关系的复杂性,把模糊数学知识表达好的特点与人工神经网络模型学习能力强的特点结合起来,探讨应用模糊神经网络来实现非线性系统的控制。并在此基础上,初步确定神经网络模型结构。由于学习算法存在一定的缺陷,如易于陷入局部极值,难以调整网络的结构等,使神经网络的应用受到一定的限制。文中将进化计算与神经网络结合起来进行神经网络的权值和结构的优化学习,并得到较好的结果。把遗传算法用于神经网络初始权重的优化,可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。通过仿真的方法来确定模型的运行参数,利用优化后的模型参数和生成的<WP=5>图表对系统进行模拟,并分析总结特点。进一步探索系统模型的最佳机构,包括模糊神经网络模糊标记数的最小个数、网络隐含层节点数与遗传算法的各种运行参数。最后总结了全文的工作,并对基于模糊逻辑和遗传算法进行神经网络的研究进行了展望。