بررسی تحلیلی روش‌های بهینه‌سازی هوشمند مشاهده‌گر اغتشاش تطبیقی نروفازی برای شبیه‌ساز کنترل وضعیت ماهواره

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک، دانشگاه اصفهان، اصفهان، ایران

2 استادیار، گروه مهندسی مکانیک، دانشگاه اصفهان، اصفهان، ایران

چکیده

در این مقاله اثر استفاده از الگوریتم‌های هوشمند مختلف برای بهینه‌سازی مشاهده­گر اغتشاش تطبیقی نرو فازی موردبررسی قرارگرفته است. ابتدا یک کنترلگر تطبیقی مدل مرجع برای شبیه‌ساز زیرسیستم کنترل وضعیت ماهواره طراحی‌شده است. سپس برای تضعیف اثر اغتشاش از مشاهده‌گرهای اغتشاش تطبیقی نرو فازی استفاده‌شده است. در این مقاله سیستم فازی مربوطه با استفاده از الگوریتم‌های هوشمند ژنتیک، ازدحام ذرات، رقابت استعماری، زنبورعسل، مورچگان و به‌خصوص الگوریتم گرادیان ازدحام ذرات که موجب افزایش سرعت و بهینه‌تر شدن پاسخ می‌گردد، بهینه‌شده است. الگوریتم گرادیان ازدحام ذرات با ترکیب ایده­هایی از یادگیری تقویتی گرادیان سیاست و روش ازدحام ذرات یک روش ترکیبی بهینه­سازی برای کنترل یک سیستم پیچیده غیرخطی است که کاربردهای فراوانی در جهان واقعی دارد. در این روش با گرفتن ایده از روش‌های یادگیری تقویتی، گرادیان سیاست برای یک سیستم نرو فازی محاسبه می‌شود و در روابط بهینه‌سازی ازدحام ذرات وارد می‌گردد تا بهینه‌سازی علاوه بر فاکتورهای لحاظ شده در روش‌های ازدحامی در جهت گرادیان سیاست نیز انجام شود. برای بهینه­سازی پارامترهای سیستم نرو فازی و داده‌های ورودی و خروجی در تابع هزینه در نظر گرفته‌شده است. در انتها نیز سیستم‌های نرو فازی بهینه‌شده توسط الگوریتم‌های مذکور با یکدیگر مقایسه می­شوند و نشان داده می­شود که الگوریتم گرادیان ازدحام ذرات نسبت به الگوریتم ازدحام ذرات عملکرد بهتری دارد.

کلیدواژه‌ها

موضوعات


[1]   Lu Y.S., Sliding-Mode Disturbance Observer With Switching-Gain Adaptation and Its Application to Optical Disk Drives. IEEE Transaction on Industrial Electronics, Vol. 56, No.9, pp. 3743-3750, 2009.
[2]   Hyeongcheol L., Masayoshi T., Robust adaptive control using a universal approximator for SISO nonlinear systems. IEEE Transactions on Fuzzy Systems, Vol. 8, No.10, pp. 95-106, 2000.
[3]   Hao Jae L., Robust fuzzy control of nonlinear systems with parametric uncertainties. IEEE Transactions on Fuzzy Systems, Vol. 9, No.3, pp. 381-392, 2001.
[4]   Atashpaz, E., Lucas C., Imperialism competitive algorithm: An algorithm for optimization inspired by Imperialistic competition. presented at the Congress on Evolutionary Computation, 2007.
[5]   Shahbazi H., Jamshidi K., Monadjemi, A., Curvilinear bipedal walk learning in nao humanoid robot using a cpg based policy gradient method. Applied Mechanics and Materials, Vol. 110, pp. 5161-5166, 2012.
[6]   Cherubini, A., Giannone F., Iocchi L., Lombardo, M., Oriolo, G., Policy gradient learning for a humanoid soccer robot. Robotics and Autonomous Systems, Vol. 57, No.2, pp. 808–818, 2009.
[7]   Sahu R. K., Sekhar G. T., Panda S., DE optimized fuzzy PID controller with derivative filter for LFC of multisource power
system in deregulated environment. Ain Shams Engineering Journal, Vol. 6, No.2, pp. 511-530, 2015.
[8]   Paul K., Shill P.-C., Optimizing Fuzzy Membership Function using Dynamic Multi Swarm – PSO. In 5th International Conference on Informatics (ICIEV), Electronics and Vision, 2016.
[9]   Karaboga D., Basturk B., Artificial Bee Colony (ABC) Optimization Algorithm for Solving Constrained Optimization Problems. In Foundations of Fuzzy Logic and Soft Computing. Verlag Berlin Heidelberg, 2007.
[10]              Feiyi  X., Chi-Man P., Haolun L., Yushu Z., Yurong S., Hao G., Training Feed-Forward Artificial Neural Networks with a modified artificial bee colony algorithm. Neurocomputing, Vol. 368, No. 4, pp. 478-491, 2019.
[11]              Juang C., Chang P. H., Designing Fuzzy-Rule-Based Systems Using Continuous Ant-Colony Optimization. IEEE TRANSACTIONS ON FUZZY SYSTEMS, Vol. 18, No.1, pp. 138-149, 2010.
[12]              Chegeni Improved Genetic Algorithm-Based Optimization of Fuzzy Logic Controllers. seventh Congress on Fuzzy and Intelligent Systems, Ferdowsi University of Mashhad, Iran, 2007.
[13]              Díaz N.P., Lagunas Jiménez R., González A., Tuning Fuzzy Control Rules via Genetic Algorithms: An Experimental Evaluation. Research Journal of Recent Sciences, Vol. 2, No.10, pp. 81-87, 2013.
[14]              Sathishkumar H., Parthasarathy S.S., A novel neuro-fuzzy controller for vector controlled induction motor drive. International Conference on Alternative Energy in Developing Countries and Emerging Economies, 2017.
[15]              Ullah A., Li S., Hussain A., Shen Y., Genetic optimization of fuzzy membership functions for cloud resource provisioning. IEEE Transactions on Parallel and Distributed Systems, Vol. 28, No.8, pp. 2117- 2130, 2016.
[16]              Mathew M., A new gradient based particle swarm optimization algorithm for accurate computation of global minimum. Applied Soft Computing, Vol. 12, No. 2, pp. 353-359, 2012.
[17]              Malekzadeh M., Rezayati M., Saboohi M., Hardware-in-the-loop attitude control via a high-order sliding mode controller/observer. Journal of Aerospace Engineering, Vol. 3, No. 2, pp. 1-17.
[18]              Malekzadeh M., Robust Control of Spacecraft: Application to an Actuated Simulator. International Journal of Control, Automation and Systems, Vol. 16, No. 3, pp. 1-8.
[19]              Malekzadeh m., Sadeghian H., Attitude control of spacecraft simulator without angular velocity measurement. Control Engineering Practice, Vol. 8, No. 4, pp. 72–81.
[20]              Zipfel Peter H., Modeling and Simulation of Aerospace Vehicle Dynamics. Florida: University of Florida, 2007.
[21]              Kim B., Velenis E., Kriengsiri P., Tsiotras P., Designing a Low Cost Spacecraft Simulator, IEEE Control Systems Magazine, Vol. 12, No.3, pp. 50-62, 2003.
[22]              Regan F., Anandakrishnan S., Dynamics of Atmospheric Re-Entry. American Institute of Aeronautics and Astronautics, 1992.
[23]              Astrom K. J., Bjorn W., Adaptive Control. Chicago: Courier Corporation, 2008.
[24]              Yuhui Z., Byeungwoo J., Danhua X., Jonathan Wu, Q., Image segmentation by generalized hierarchical fuzzy C-means algorithm. Journal of Intelligent and Fuzzy Systems, Vol. 28, No.2, pp. 961-973, 2015.
[25]              Peters J., Schaal, S., Policy Gradient Methods for Robotics. Presented at the Intelligent Robots and Systems, Beijing. China 2006.
[26]              Storn R., PRICE K., Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, Vol. 11, No.4, pp. 341–359, 1996.