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 kí

Điều khiển robot với mạng nơron RBF có hệ số học tối ưu giải thuật di truyền Tóm tắt: Gần đây, mạng hàm bán kính sở (RBF) sử dụng rộng rãi sử dụng mạng nơron làm điều khiển cho đối tượng có nhiều tham số bất định loại robot Điều quan sử dụng mạng nơron học online lựa chọn hệ số mạng có tốc độ hội tụ nhanh Từ trước đến hệ số chọn theo kinh nghiệm nhiều nhiều thời gian để tìm hệ số học thoả mãn yêu cầu toán điều khiển Một vấn đề là, tìm hệ số học thoả mãn yêu cầu toán điều khiển rồi, chưa thể kết luận hệ số tối ưu Bài báo đề cập đến việc sử dụng giải thuật di truyền (GAs) để tìm hệ số học tối ưu cho mạng RBF sử dụng làm điều khiển cho đối tượng có tham số bất định RBF Neural Control of Robot Manipulator with GA Optimazation Abstract: Recently, radial basis function (RBF) network is used quite widely when using neural networks as controllers for subjects with multiple uncertain parameters such as the robot The most important thing when using online learning neural network system is the choice of coefficient for networks with fast convergence speed So far this coefficient has been chosen by experience and sometimes it takes quite a long time to find a coefficient that satisfies the requirement of the controlling task Another problem is, when finding coefficients satisfying the required study of the problem and control, we can not conclude that the optimal coefficients This article refers to the use of genetic algorithms (GAs) to find optimal learning coefficient for RBF network is used as a controller for objects whose parameters are uncertain Từ khóa: Mạng RBF, Giải thuật di truyền., Điều khiển rô bốt Đặt vấn đề Giải thuật di truyền hay gọi thuật Gen (Genetic Algorithm -GAs) nghiên cứu thuật điều khiển dựa chọn lọc phát triển tự nhiên, Holland (1992) Chọn lọc tự nhiên liên kết nhiễm sắc thể (Chromosome) biểu diễn cấu trúc mã hoá chúng để chọn cá thể có đặc tính tốt Giống tự nhiên, trình chọn lọc, thuật gen tìm nhiễm sắc thể tốt nhờ hiệu chỉnh thông tin chúng theo yêu cầu toán [4] Những thông tin cho phép ước lượng giá trị nhiễm sắc thể theo hàm mục tiêu chọn trước [7][10][13][14] Điều cho phép chọn nhiễm sắc thể có giá trị ước lượng tốt loại bỏ nhiễm sắc thể có giá trị ước lượng Ưu đểm lớn GAs cho phép tìm kiếm tối ưu tồn khơng gian biến trạng thái Do mà người ta sử dụng GAs nhiều toán tối ưu đặc biệt lĩnh vực điều khiển Đã có nhiều cơng trình báo sử dụng GAs để tối ưu tham số điều khiển [1] Gần đây, mạng nơron sử dụng rộng rãi xây dựng điều khiển GAs sử dụng toán học mạng nơron để tìm trọng số liên kết tối ưu thay cho thuật học sai số lan truyền ngược (EBP) truyền thống [1][2][4][5][6][8][10] Đối với hệ thống điều khiển có tính phi tuyến cao độ bất định lớn, tham số hệ thống độ ma sát, thay đổi tải trọng v.v thay đổi trong q trình điều khiển yêu cầu quan trọng trình học điều khiển nơrơn phải đảm bảo trình học online Rất tiếc GAs khơng thể đáp ứng yêu cầu Gần người ta thường sử dụng thuật học hàm bán kính sở làm thuật học cho mạng nơron (mạng RBF) Đây mạng nơron có cấu trúc đơn giản cho phép xấp xỉ hóa hàm phi tuyến Giống GAs, thuật học hàm bán kính sở cho phép tối ưu trọng số mạng nơron toàn không gian biến trạng thái đảm bảo q trình học online Đối với tốn cần tối ưu tham số cố định cách trực tiếp GAs thể ưu điểm Trong nghiên cứu gần trình học mạng nơron dù phương pháp hàm bán kính sở hay phương pháp EBP hệ số học h mạng nơron chọn theo kinh nghiệm người lập trình Trong báo tác giả đề cập đến việc sử dụng công cụ GAs để tối ưu hệ số học h mạng nơron RBF thay lựa chọn kinh nghiệm nêu Thứ tự trình học tối ưu hệ số học h mạng nơron thực sau: Đầu tiên chọn hệ số học h theo kinh nghiệm mạng RBF học online để tìm tham số tối ưu mạng Bước dựa tập hợp tham số tối ưu mạng RBF sử dụng GAs để tìm hệ số học h tối ưu tương ứng với tập hợp trọng số mạng RBF tìm trước Bài báo chia thành năm phần Sau phần mở đầu, phần hai trình bày tốn điều khiển robot với nhiều thành phần bất định phương pháp điều khiển trượt sử dụng mạng RBF với hệ số học h chọn theo kinh nghiệm lựa chọn để xây dựng điều khiển Phần ba trình bày bước tối ưu hệ số học h GAs toán điều khiển robot sử dụng mạng RBF Kết mô GAs tối ưu hệ số học cho mạng RBF điều khiển robot hai bậc tự trình bày phần bốn Phần năm nhận xét đánh giá chất lượng hệ điều khiển robot sử dụng mạng RBF có hệ số học tối ưu GAs Kết luận Với mơ hình điều khiển robot theo ngun lý trượt sử dụng mạng RBF đảm bảo trình học online cho phép tối ưu toàn không gian trạng thái Kết cho thấy hệ thống đảm bảo hội tụ sai lệch tiến đến không Việc sử dụng GAs để tìm hệ số học tối ưu cho phép nâng khảo sát, đánh giá ảnh hưởng hệ số học đến trình hội tụ thuật học đồng thời làm nâng cao chất lượng trình điều khiển Đây bước tiến trình nghiên cứu ứng dụng mạng nơron để xây dựng điều khiển robot vừa đảm bảo tính hội tụ ổn định đồng thời nâng cao chất lượng điều khiển Tài liệu tham khảo [1] Nguyễn Trần Hiệp, Phạm Thượng Cát - Nghiên cứu toán dao động lắc ngược sử dụng thuật Gen Matlab Hội thảo toàn quốc Phát triển công cụ tin học trợ giúp cho giảng dạy nghiên cứu ứng dụng toán học - Hà nội 4/1999, trang 326 - 334 [2] Nguyễn Trần Hiệp, Phạm Thượng Cát., (1999) Điều khiển lắc ngược phương pháp trượt, sử dụng mạng nơron tối ưu thuật Gen Tr 30 – 38 Tạp chí KHKT số 90 năm 2000 - Học viện kỹ thuật Quân [3] Nguyễn Trần Hiệp, Phạm Thượng Cát., Điều khiển robot n bậc tự với mặt trượt tích phân mạng nơron xấp xỉ đại lượng phi tuyến bất định Tr 36 – 45 Tạp chí KHKT số 127 năm 2009 - Học viện kỹ thuật Quân [4] Nguyễn Trần Hiệp, Phạm Thượng Cát - GA and its application in Control Engineering – Seminar on Simulation 16, 17 – 12 – 1998 – Militart Technical University [5] Nguyễn Trần Hiệp, Phạm Thượng Cát - A GAs optimized Neuron Controller for Robot Manipulator – Hội nghị Cơ điện tử quốc tế lần thứ Hà nội, Việt nam 8th đến 12th – 11 năm 2004 [6] Nguyễn Trần Hiệp, Phạm Thượng Cát - Robust Neural Sliding Mode Control of Robot Manipulators – Proceeding of 2nd Mediterrannean Conference on Intelligent Systems and Automation, March 23-25 2009, Zarzis, Tunisia Page 210 -215 (API Conference Proceedings 1107) [7] Nguyễn Trần Hiệp, Phạm Thượng Cát - Robot control nDOF by integrated sliding surface and approximating neural networks – Proceeding of European Control Conreference 2009, 23 - 26 August 2009 Budapest Hungary Page 2187-2192 [8] Nguyễn Thanh Thuỷ, Trần Ngọc Hà., (1999) Tích hợp kỹ thuật mạng nơron giải thuật di truyền phân tích liệu Tạp chí tin học điều khiển học T15, S.2 [9] Il-Kwon Jeong, Changkyu Choi, Jin-Ho Shin and Ju-Jang Lee - A Modified Genetic Algorithm for Neurocontrollers IEEE Trans 0-7803-2759-4/95/ pp 306 - 311 1995 [10] K Ng and Y Li - Design of sophisticated fuzzy logic controllers using genetic algorithms In Proc 3rd IEEE Int Conf Fuzzy Systems, IEEE World Congress on Computational Intelligence, pages 1708-1712, Orlando, FL, 1994 [11] Kunihh Nakazono, Masahiro Katagiri, Hiroshi Kmjo, Tetsuhiko Yamamoto Force and Position Control of Robot Manipulator Using Neurocontroller with GA Based Training Proceedings 2003 lEEE International Symposium on Computational Intelligence in Robotics and Automation July 1620,2003, Kobe, Japan [12] Makoto Iwasaki, Masanobu Miwa and Nobuyuki Matsui GA-Based Evolutionary Identification Algorithm for Unknown Structured Mechatronic Systems IEEE Transactions on Industrial Electronics, Vol 52, No 1, February 2005 [13] Chin - Teng Lin and C.S George Lee - Neural Fuzzy systems - Book is to the Chiao-Tung University Centennial 1996 [14] H Asada, J J E Slotine – Robot Analysis and Control, Massachusetts Institude of Technology, 1985 [15] J.Somlo - B.Lantos - P.T.Cat - Advanced Robot Control Akademiai Kiado Budapest 1997 [16] S Kawaji, K Ogasawara, Hidenobu Honda - Swing-up of pendulum using Genetic Algorithms, Proceedings of the 33rd Conference on Decision and Control Lake Buena Vista Florida, December 1994 [17] Yun Li and Alexander HauBler - University of Glasgow, UK- Artificial evolution of neural networks and its application to feedback control Artifical Intelligence In Engineering, 10(2), pp 143 – 152, February 1996 Nguyễn Trần Hiệp Khoa kỹ thuật điều khiển – Học viện kỹ thuật Quân - 100 Hoàng Quốc Việt, Cầu giấy, Hà nội hiepnguyentran@vnn.vn Phản biện 1: PGS TS Đào Văn Hiệp, Học Viện Kỹ thuật Quân Phản biện 2: PGS TS Lê Hòai Quốc, Sở Khoa học Cơng nghệ TP Hồ Chí Minh ... dụng mạng RBF với hệ số học h chọn theo kinh nghiệm lựa chọn để xây dựng điều khiển Phần ba trình bày bước tối ưu hệ số học h GAs toán điều khiển robot sử dụng mạng RBF Kết mô GAs tối ưu hệ số học. .. hệ số học h mạng nơron thực sau: Đầu tiên chọn hệ số học h theo kinh nghiệm mạng RBF học online để tìm tham số tối ưu mạng Bước dựa tập hợp tham số tối ưu mạng RBF sử dụng GAs để tìm hệ số học. .. toán điều khiển rồi, chưa thể kết luận hệ số tối ưu Bài báo đề cập đến việc sử dụng giải thuật di truyền (GAs) để tìm hệ số học tối ưu cho mạng RBF sử dụng làm điều khiển cho đối tượng có tham số