4.3.1.Ứng dụng mạng neuron chỉnh định thông số bộ điều khiển mobile robot theo thuật toán tối ưu bày đàn
Trang 43
Hình 4.4. Sơ đồ luật điều khiển NN-PSO controller
Trong đó:
;
Các thông số đầu ra của bộ điều khiển wr và wl là các thông số phi tuyến được xác định bởi mạng neuron lan truyền thẳng. Để nâng cao khả năng học của mạng neuron ta sử dụng hàm kích hoạt của lớp ẩn là: , và hàm tích hợp của lớp ra là hàm tổng. Cấu trúc của mạng truyền thẳng được thể hiện ở hình 4.5. Với lớp vào gồm có 6 đầu vào: ep và ep(k-1) lần lượt là sai số vị trí hiện tại và sai số vị trí quá khứ. Một lớp ẩn có thể có nhiều nút. Trong đề tài này sử dụng 10 nút cho lớp ẩn để huấn luyện mạng neuron. Lớp ra gồm 2 đầu ra vận tốc góc bánh phải (wr) và vận tốc bánh trái (wl) là các thông số bộ điều khiển mobile robot sau khi đã được tối ưu bởi mạng neuron theo thuật toán PSO:
wr P wl ep(k-1) ep Pd NN-PSO Controller G(s) Z-1
Trang 44
Hình 4.5. Cấu trúc mạng neuron truyền thẳng
Các trọng số của mạng neuron được huấn luyện theo thuật toán PSO dựa trên hệ thống điều khiển vòng kín NN Controller. Giả thiết mạng neuron có D trọng số wij, vector trọng số có kích thước D, và có m mạng neuron có cùng cấu trúc nhưng có các trọng số khác nhau. Ta có Wi = (wi1, wi2, … ,wiD)
là vector trọng số thứ i của mạng. Sự thay đổi của vector trọng số ΔWi = (Δwi1, Δwi2, … , ΔwiD). Các trọng số tối ưu của mạng thứ i xuất phát từ
giá trị khởi tạo của các lần lặp hiện tại là pbest và trọng số tối ưu của toàn bộ các mạng hiện tại là gbest. Sau khi xác định được hai giá trị này thì mạng neuron sẽ cập nhật các trọng số và sự thay đổi của chúng như sau:
wl wi1 ex wid ey eθ ex(k-1) ey(k-1) eθ k-1) wiD wr
Trang 45
Trong đó: c1, c2, là các hằng số học; β là hằng số quá tính. r1; r2 là các số ngẫu nhiên trong khoảng (0,1). Khi các trọng số của mạng neuron thay đổi, ta đánh giá các trọng số có đạt giá trị tối ưu hay không theo hàm mục tiêu sau: