Differential Evolution Algorithm with Type-2 Fuzzy Logic for Dynamic Parameter Adaptation with Application to Intelligent Control

این کتاب بر زمینه های منطق فازی، الگوریتم الهام گرفته از زیستی، به ویژه الگوریتم تکامل دیفرانسیل و همچنین در نظر گرفتن منطقه کنترل فازی تمرکز دارد. ایده اصلی این است که این دو حوزه در کنار هم می توانند به حل مشکلات مختلف کنترل و یافتن نتایج بهتر کمک کنند. در این کتاب، نویسندگان روش پیشنهادی را با استفاده از پنج مسئله کنترل معیار آزمایش می‌کنند. ابتدا مخزن آب، دما، ربات متحرک و کنترلرهای آونگ معکوس در نظر گرفته شده است. برای این 4 مسئله، آزمایش با استفاده از سیستم فازی نوع 1 و سیستم نوع 2 فاصله زمانی انجام شد. آخرین مشکل کنترلی موتور D.C بود که آزمایش ها با سیستم های فازی Type-1، Interval Type-2 و Generalized Type-2 برای آن انجام شد. هنگامی که از سیستم های فازی ترکیب شده با الگوریتم تکامل دیفرانسیل استفاده می کنیم، می توان متوجه شد که نتایج به دست آمده در هر یک از کنترل کننده ها بهتر است و با افزایش عدم قطعیت، نتایج حتی بهتر می شوند. به همین دلیل، نویسندگان در این کتاب روش پیشنهادی با استفاده از سیستم‌های فازی و الگوریتم تکامل دیفرانسیل را برای بهبود رفتار کنترل‌کننده‌های فازی در مسائل کنترل پیچیده در نظر می‌گیرند.

This book focuses on the fields of fuzzy logic, bio-inspired algorithm, especially the differential evolution algorithm and also considering the fuzzy control area. The main idea is that these two areas together can help solve various control problems and to find better results. In this book, the authors test the proposed method using five benchmark control problems. First, the water tank, temperature, mobile robot, and inverted pendulum controllers are considered. For these 4 problems, experimentation was carried out using a Type-1 fuzzy system and an Interval Type-2 system. The last control problem was the D.C. motor, for which the experiments were performed with Type-1, Interval Type-2, and Generalized Type-2 fuzzy systems. When we use fuzzy systems combined with the differential evolution algorithm, we can notice that the results obtained in each of the controllers are better and with increasing uncertainty, the results are even better. For this reason, the authors consider in this book the proposed method using fuzzy systems and the differential evolution algorithm to improve the fuzzy controllers’ behavior in complex control problems.