模糊控制作为智能控制的一个分支,近年来在许多实际控制问题中得到了广泛的应用,尤其是可以对那些复杂的工业过程和具有强烈的非线性、不确定性、甚至根本无法建立精确数学模型的系统进行有效而精确的控制。传统控制的出发点是建立被控对象的数学模型,而模糊控制的出发点是专家的经验知识,它不依赖于被控过程(对象)的数学模型,而只要求掌握现场操作人员和专家的经验、知识或者操作数据。　模糊控制器是在综合专家经验知识的基础上设计的。在模糊控制系统中,当模糊化方法和模糊决策方法选定时,选取适宜的模糊控制规则是该控制系统实现良好控制的核心问题。实际中规则库是根据专家的经验或操作人员的经验总结得来的,然而对某些复杂的工业过程,往往难以总结出较完善的经验,也就难有完善的控制规则。此时,模糊控制规则或者缺乏,或者很粗糙,并且当被控对象的参数发生变化,或者存在随机干扰的影响时,都会影响模糊控制效果。从某种意义上说,控制规则的优劣直接影响到模糊系统的性能和品质。由此看来,要提高模糊控制器的性能和品质,对控制规则进行优化就显得尤为重要了。　本论文所做的主要工作如下:　1.简单叙述课题的研究背景、意义及模糊控制发展的情况。分析在模糊控制系统中获取优化的控制规则的重要性,即控制规则对系统控制品质的影响。　2.分析了量化因子大小对模糊控制系统性能的影响,通过调整量化因子来优化模糊控制规则,进而改善控制系统性能,使模糊控制系统在较优的状态下工作。用 Matlab 仿真一阶、二阶、三阶系统的阶跃响应,通过比较得出修改量化因子可以达到优化控制规则的目的。　3.将模糊控制与神经网络相结合,通过对神经模糊系统中获得控制规则常用的方法--聚类法的学习及分析,发现其不足之处,并提出改进措施。用 Matlab 仿真软件对改进后的算法、原算法对控制系统的拟合和最优系统拟合进行了仿真比较,得出改进后算法得到的规则是有效的。　4.分析模糊系统作为通用逼近器时逼近精度、规则数目和模糊系统的复杂程度之间的关系:当控制规则数目增加时,逼近精度将得到提高,但是同时模糊控制规则增加势必导致所设计的系统更复杂,这就出现了两者之间的矛盾。本文提出通过修改逼近精度边界进而优化控制规则数目,从而近一步简化了模糊系统的复杂程度。举例说明用较少的控制规则就可以达到所要求的逼近精度,同时所设计的模糊系统也比较简单。