Điều khiển robot với mạng nơron RBF có hệ số học được tối ưu bằng giải thuật di truyền.Tóm tắt: Gần đây, mạng hàm bán kính cơ sở (RBF) được sử dụng khá rộng rãi khi sử dụng mạng nơron làm bộ điều khiển cho các đối tượng có nhiều tham số bất định như các

Gần đây, mạng hàm bán kính cơ sở (RBF) được sử dụng khá rộng rãi khi sử dụng mạng nơron làm bộ điều khiển cho các đối tượng có nhiều tham số bất định như các loại robot. Điều quan trong nhất khi sử dụng mạng nơron học online là lựa chọn hệ số để cho mạng có tốc độ hội tụ nhanh. Từ trước đến nay hệ số này vẫn được chọn theo kinh nghiệm và nhiều khi cũng mất khá nhiều thời gian để tìm được một hệ số học thoả mãn yêu cầu của bài toán điều...
Nội dung trích xuất từ tài liệu:
Điều khiển robot với mạng nơron RBF có hệ số học được tối ưu bằng giải thuật di truyền.Tóm tắt: Gần đây, mạng hàm bán kính cơ sở (RBF) được sử dụng khá rộng rãi khi sử dụng mạng nơron làm bộ điều khiển cho các đối tượng có nhiều tham số bất định như cácĐiều khiển robot với mạng nơron RBF có hệ số học được tối ưu bằng giải thuật di truyềnTóm tắt:Gần đây, mạng hàm bán kính cơ sở (RBF) được sử dụng khá rộng rãi khi sử dụng mạng nơronlàm bộ điều khiển cho các đối tượng có nhiều tham số bất định như các loại robot. Điều quantrong nhất khi sử dụng mạng nơron học online là lựa chọn hệ số để cho mạng có tốc độ hội tụnhanh.Từ trước đến nay hệ số này vẫn được chọn theo kinh nghiệm và nhiều khi cũng mất khá nhiềuthời gian để tìm được một hệ số học thoả mãn yêu cầu của bài toán điều khiển. Một vấn đề nữalà, khi tìm được hệ số học thoả mãn được yêu cầu của bài toán điều khiển rồi, chúng ta cũngchưa thể kết luận được hệ số đó là tối ưu nhất. Bài báo này đề cập đến việc sử dụng giải thuật ditruyền (GAs) để tìm được hệ số học tối ưu cho mạng RBF khi được sử dụng làm bộ điều khiểncho các đối tượng có các tham số bất địnhRBF Neural Control of Robot Manipulator with GA OptimazationAbstract:Recently, radial basis function (RBF) network is used quite widely when using neural networksas controllers for subjects with multiple uncertain parameters such as the robot. The mostimportant thing when using online learning neural network system is the choice of coefficient fornetworks with fast convergence speed. So far this coefficient has been chosen by experience andsometimes it takes quite a long time to find a coefficient that satisfies the requirement of thecontrolling task. Another problem is, when finding coefficients satisfying the required study ofthe problem and control, we can not conclude that the optimal coefficients. This article refers tothe use of genetic algorithms (GAs) to find optimal learning coefficient for RBF network is usedas a controller for objects whose parameters are uncertain.Từ khóa: Mạng RBF, Giải thuật di truyền., Điều khiển rô bốt1. Đặt vấn đềGiải thuật di truyền hay còn gọi là thuật Gen (Genetic Algorithm -GAs) là sự nghiên cứu thuậtđiều khiển dựa trên sự chọn lọc và phát triển tự nhiên, Holland (1992). Chọn lọc tự nhiên là sựliên kết giữa các nhiễm sắc thể (Chromosome) và biểu diễn cấu trúc mã hoá của chúng để chọnra được cá thể có đặc tính tốt nhất. Giống như trong tự nhiên, bằng quá trình chọn lọc, thuật gensẽ tìm ra được những nhiễm sắc thể tốt nhất nhờ hiệu chỉnh thông tin của chúng theo yêu cầu củabài toán [4]. Những thông tin này cho phép ước lượng được giá trị của mỗi nhiễm sắc thể theomột hàm mục tiêu chọn trước [7][10][13][14]. Điều đó cho phép chọn ra những nhiễm sắc thể cógiá trị ước lượng tốt nhất và loại bỏ những nhiễm sắc thể có giá trị ước lượng kém. Ưu đểm lớnnhất của GAs là cho phép tìm kiếm tối ưu trên toàn bộ không gian của các biến trạng thái. Do đómà người ta đã sử dụng GAs rất nhiều trong các bài toán tối ưu đặc biệt là trong lĩnh vực điềukhiển. Đã có nhiều công trình bài báo sử dụng GAs để tối ưu các tham số của bộ điều khiển [1].Gần đây, khi mạng nơron được sử dụng rộng rãi khi xây dựng các bộ điều khiển thì GAs cũngđược sử dụng trong bài toán học của mạng nơron để tìm ra các trọng số liên kết tối ưu thay chothuật học sai số lan truyền ngược (EBP) truyền thống [1][2][4][5][6][8][10]. Đối với các hệthống điều khiển có tính phi tuyến cao và độ bất định lớn, các tham số của hệ thống như độ masát, sự thay đổi của tải trọng .v.v. luôn thay đổi trong trong quá trình điều khiển do đó yêu cầu rấtquan trọng trong quá trình học của các bộ điều khiển nơrơn là phải đảm bảo quá trình học online.Rất tiếc rằng GAs không thể đáp ứng được yêu cầu đó. Gần đây người ta thường sử dụng thuậthọc hàm bán kính cơ sở làm thuật học cho mạng nơron (mạng RBF). Đây là một mạng nơron cócấu trúc đơn giản nhưng cho phép xấp xỉ hóa được các hàm phi tuyến. Giống như GAs, thuật họchàm bán kính cơ sở cũng cho phép tối ưu trọng số của mạng nơron trên toàn bộ không gian củabiến trạng thái nhưng đảm bảo quá trình học online. Đối với những bài toán cần tối ưu các thamsố cố định một cách trực tiếp GAs vẫn thể hiện được ưu điểm của nó. Trong các nghiên cứu gầnđây về quá trình học của mạng nơron dù bằng phương pháp hàm bán kính cơ sở hay bằngphương pháp EBP thì hệ số học h của mạng nơron vẫn được chọn theo kinh nghiệm của ngườilập trình. Trong bài báo này tác giả đề cập đến việc sử dụng công cụ GAs để tối ưu hệ số học hcủa mạng nơron RBF thay vì lựa chọn bằng kinh nghiệm như đã nêu ra ở trên. Thứ tự của quátrình học và tối ưu hệ số học h của mạng nơron được thực hiện như sau: Đầu tiên chọn một hệ sốhọc h theo kinh nghiệm và mạng RBF sẽ học online để tìm ra được tham số tối ưu nhất củamạng. Bước tiếp theo là dựa trên tập hợp các tham số tối ưu nhất của mạng RBF chúng ta sửdụng GAs để tìm ra được hệ số học h tối ưu nhất t ...