模糊滑模控制算法研究综述

米文鹏 孔令剑 李良

（第二炮兵工程大学士官学院导弹发射与瞄准技术教研室）

随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。面对这些复杂特征，出现了诸如变结构控制、模糊控制、神经网络控制以及智能控制等新的控制手段。本文就模糊滑模控制的产生及发展现状做简单介绍。

一、常规模糊滑模控制

模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。20 世纪90 年代以后，专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式。

1.通过模糊控制规则自适应地调节符号函数项的值。

2.通过模糊控制规则直接确定滑模控制量。

3.变结构控制、模糊控制的复合控制策略。

二、自适应模糊滑模控制

普通的模糊滑模控制的设计仍然是基于经验的。由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。为了达到一定精度，选择的模糊规则可能非常复杂，且系统参数在控制过程中也没有自适应和自学习能力。为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流。

三、基于模糊神经网络的滑模控制

人工神经网络同样具有自学习和自适应的能力。它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。模糊神经网络结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统，能够充分利用先验知识，以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数，使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学能力和自适应能力，给控制器参数的学习和调整带来的困难。

四、模糊滑模控制与其他策略的结合

除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。当然还有其他算法与模糊滑模控制的结合应用，在此就不再赘述。