بررسي تحليلي روش‌هاي بهينه‌سازي هوشمند مشاهده‌گر اغتشاش تطبيقي نروفازي براي شبيه‌ساز كنترل وضعيت ماهواره

Analytical Investigation of Intelligent Optimization Algorithms for Adaptive Neuro- Fuzzy Disturbance Observer for Spacecraft Attitude Control Simulator

در اين مقاله اثر استفاده از الگوريتم‌هاي هوشمند مختلف براي بهينه‌سازي مشاهده­ گر اغتشاش تطبيقي نرو فازي موردبررسي قرارگرفته است. ابتدا يك كنترلگر تطبيقي مدل مرجع براي شبيه‌ساز زيرسيستم كنترل وضعيت ماهواره طراحي‌شده است. سپس براي تضعيف اثر اغتشاش از مشاهده‌گرهاي اغتشاش تطبيقي نرو فازي استفاده‌شده است. در اين مقاله سيستم فازي مربوطه با استفاده از الگوريتم‌هاي هوشمند ژنتيك، ازدحام ذرات، رقابت استعماري، زنبورعسل، مورچگان و به‌خصوص الگوريتم گراديان ازدحام ذرات كه موجب افزايش سرعت و بهينه‌تر شدن پاسخ مي‌گردد، بهينه‌شده است. الگوريتم گراديان ازدحام ذرات با تركيب ايده ­هايي از يادگيري تقويتي گراديان سياست و روش ازدحام ذرات يك روش تركيبي بهينه­سازي براي كنترل يك سيستم پيچيده غيرخطي است كه كاربردهاي فراواني در جهان واقعي دارد. در اين روش با گرفتن ايده از روش‌هاي يادگيري تقويتي، گراديان سياست براي يك سيستم نرو فازي محاسبه مي‌شود و در روابط بهينه‌سازي ازدحام ذرات وارد مي‌گردد تا بهينه‌سازي علاوه بر فاكتورهاي لحاظ شده در روش‌هاي ازدحامي در جهت گراديان سياست نيز انجام شود. براي بهينه ­سازي پارامترهاي سيستم نرو فازي و داده‌هاي ورودي و خروجي در تابع هزينه در نظر گرفته‌شده است. در انتها نيز سيستم‌هاي نرو فازي بهينه‌شده توسط الگوريتم‌هاي مذكور با يكديگر مقايسه مي­شوند و نشان داده مي ­شود كه الگوريتم گراديان ازدحام ذرات نسبت به الگوريتم ازدحام ذرات عملكرد بهتري دارد.

In this paper, the effect of using various intelligent algorithms to optimize the adaptive neuro-fuzzy disturbance observer has been investigated .First, a model reference adaptive control is designed for the spacecraft simulator. Then, in order to reduce the disturbance effect, an adaptive neuro-fuzzy disturbance observer is used. In this paper, the fuzzy system is optimized using Intelligent Genetic Algorithm, Particle Swarm Optimization, Imperialist Competitive Algorithm, Bee Colony, Ant Colony Optimization, and especially Policy Gradient Particle Swarm Algorithm, which speeds up and optimizes the response. The Policy Gradient Particle Swarm algorithm is a combination of gradient policy reinforcement learning and particle swarming ideas and is a hybrid optimization method to control a nonlinear complex system with many applications in the real world. In this method, influenced by reinforcement idea, the policy gradient for a non-fossilized system is calculated, and in the optimization of particle swarm relations, optimization is performed in addition to the factors included in the congestion methods in the direction of the policy gradient. It is intended to optimize the fuzzy neuro system parameters and input and output data in the cost function. Finally, the neuro-fuzzy systems optimized by these algorithms are compared and it is shown that the gradient particle swarm algorithm performs better than the particle swarm algorithm.