(完整版)模糊控制技术的发展及前景展望
(完整版)模糊控制技术的发展及前景展望
模糊控制技术的发展与前景展望模糊控制技术发展现状与前景展望1. 引言人的手动控制策略是通过操作者的学习，实验以及长期经验积累而形成的，他通过人的自然语言来叙述。
由于自然语言具有模糊性，所以，这种语言控制也被称为模糊语言控制，简称模糊控制。
近年来，对于经典模糊控制系统稳态性能的改善，模糊集成控制，模糊自适应控制，专家模糊控制与多变量模糊控制的研究，特别是对复杂系统的自学习与参数自调整模糊系统方面的研究，受到各国学者的重视。
人们将神经网络和模糊控制技术相结合，形成了一种模糊神经网络技术，他可以组成一组更接近于人脑的智能信息处理系统，其发展前景十分广阔。
2. 模糊控制的热点问题模糊控制技术是一项正在发展的技术，虽然近年来得到了蓬勃发展，但它也存在一些问题，主要有以下几个方面(1)还没有有形成完整的理论体系，没有完善的稳定性和鲁棒性分析、系统的设计方法(包括规则的获取和优化、隶属函数的选取等) ；(2)控制系统的性能不太高(稳态精度较低，存在抖动及积分饱和等问题)；(3)自适应能力有限。
目前，国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了一些阶段性成果，下面介绍一下近期的主要研究热点。
2.1模糊控制系统的稳定性分析任何一个自动控制系统要正常工作，首先必须是稳定的。
由于模糊系统本质上的非线性和缺乏统一的系统描述，使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计，因此，模糊控制理论的稳定性分析一直是一个难点课题，未形成较为完善的理论体系。
正因为如此，关于模糊系统的稳定性分析近年来成为众人关注的热点，发表的论文较多，提出了各种思想和分析方法。
目前模糊控制系统稳定性分析方法主要有以下几种：(1)李亚普诺夫方法基于李亚普诺夫直接方法，许多学者讨论了离散时间和连续时间模糊控制系统的稳定性分析和设计。
使用李亚普诺夫线性化方法，Ying 建立了包括非线性对象的T-S 模糊控制系统局部稳定性的必要和充分条件。
88. 模糊控制在城市管理中的应用前景如何？
88. 模糊控制在城市管理中的应用前景如何？88、模糊控制在城市管理中的应用前景如何？在当今快速发展的城市环境中，管理的复杂性日益增加，对于更高效、灵活和适应性强的管理方法的需求也变得愈发迫切。
模糊控制作为一种独特的控制策略，正逐渐引起人们在城市管理领域的关注。
那么，它在城市管理中的应用前景究竟如何呢？要探讨这个问题，首先得明白什么是模糊控制。
简单来说，模糊控制是一种基于模糊逻辑的控制方法，它允许处理那些不精确、模糊和不确定的信息。
与传统的精确控制方法不同，模糊控制更擅长处理现实中常见的模糊性和不确定性。
在城市交通管理方面，模糊控制有着广阔的应用空间。
交通流量的变化往往是复杂且难以精确预测的。
传统的交通信号灯控制通常基于固定的时间间隔，这在高峰期或突发情况下可能导致交通拥堵。
而模糊控制可以根据实时的交通流量、车辆速度和道路占有率等多个模糊变量，动态地调整信号灯的时长。
例如，当道路上车辆密度较大且行驶速度较慢时，模糊控制系统可以自动延长绿灯时间，以促进车辆的通行，减少拥堵。
城市水资源管理也是一个重要的领域。
水资源的供需关系受到季节、气候和人口变化等多种不确定因素的影响。
模糊控制可以用于优化水资源的分配和调度。
根据水库的水位、降雨量的预测以及城市用水需求的模糊估计，来制定合理的供水策略。
这样既可以保证居民的正常用水，又能避免水资源的浪费和过度开采。
在城市能源管理中，模糊控制同样能发挥重要作用。
随着城市的发展，能源消耗不断增加，能源供应的稳定性和效率成为关键问题。
模糊控制可以用于智能电网的管理，根据电力需求的变化、可再生能源的输出波动等不确定因素，实时调整电力分配，提高能源利用效率，降低能源损耗。
此外，城市环境监测和污染治理也是模糊控制可以大显身手的地方。
空气质量、水质污染等指标往往具有一定的模糊性和不确定性。
通过模糊控制技术，可以综合考虑多个监测参数，更准确地评估环境状况，并制定相应的治理措施。
然而，尽管模糊控制在城市管理中展现出了诸多潜力，但也面临着一些挑战。
模糊控制的现状与发展
模糊控制的现状与发展模糊控制：从理论到实践的全面解析引言随着科技的快速发展，自动化和智能化成为了各个领域追求的目标。
在控制领域中，模糊控制是一种重要的智能控制方法，它通过对不确定性和模糊信息的处理，实现了对复杂系统的有效控制。
本文将介绍模糊控制的现状、挑战及未来发展。
现状模糊控制作为一种经典的智能控制方法，已经在许多领域得到了广泛的应用。
例如，在工业生产中，模糊控制被用于控制温度、压力等参数；在汽车控制系统中，模糊控制被用于优化燃油喷射、变速器控制等。
虽然模糊控制已经取得了许多成果，但仍然存在一些不足之处，如缺乏完善的理论基础、控制精度不够高等。
挑战1、理论方面的问题：模糊控制的理论体系尚不完善，许多关键问题仍未得到很好的解决。
例如，如何建立有效的模糊推理机制，如何选择合适的模糊集合和运算符等。
2、实际应用面临的困难：虽然模糊控制在某些领域已经得到了成功的应用，但在面对复杂的、大规模的系统时，其性能和稳定性仍有待提高。
此外，模糊控制在处理具有高度非线性和不确定性的系统时，也存在着一定的难度。
展望1、技术趋势：随着机器学习、深度学习等技术的发展，未来的模糊控制将更加注重自适应、自组织和自学习的能力。
通过引入新的理论和技术，模糊控制将更好地应对各种复杂和不确定的环境。
2、应用前景：随着工业4.0、智能家居、自动驾驶等领域的快速发展，模糊控制将有着更广泛的应用前景。
例如，在智能家居中，模糊控制可以用于优化能源消耗；在自动驾驶中，模糊控制可以用于实现车辆的稳定性和安全性控制。
结论模糊控制作为智能控制的一个重要分支，具有广泛的应用前景和重要的理论价值。
虽然目前模糊控制还存在一些问题和挑战，但随着技术的不断进步和应用领域的扩展，模糊控制将会有更大的发展空间和更重要的地位。
因此，我们应该充分重视模糊控制的研究和应用，为其发展提供更多的支持和资源，同时也需要进一步加强学科交叉和融合，推动模糊控制技术的不断创新和发展。
模糊控制理论及应用
模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。
本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。
一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。
在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。
模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。
最后，通过去模糊化操作将模糊集合转化为具体的输出值。
二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。
1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。
它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。
2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。
通过模糊控制，机器人可以对复杂的环境做出智能响应。
3. 交通控制：模糊控制在交通控制领域中有重要的应用。
通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。
4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。
通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。
5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。
模糊控制可以应对这些问题，提高生产过程的稳定性和质量。
三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。
未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。
通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。
2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。
例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。
3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。
78. 模糊控制在虚拟现实中的应用前景如何？
78. 模糊控制在虚拟现实中的应用前景如何？78、模糊控制在虚拟现实中的应用前景如何？在当今科技飞速发展的时代，虚拟现实（Virtual Reality，简称VR）技术已经逐渐走进了人们的生活，并在多个领域展现出了巨大的潜力。
而模糊控制作为一种智能控制方法，其在虚拟现实中的应用也引起了广泛的关注。
那么，模糊控制在虚拟现实中的应用前景究竟如何呢？要探讨这个问题，首先我们需要了解什么是模糊控制以及虚拟现实的特点。
模糊控制是一种基于模糊逻辑的控制方法，它能够处理和利用不精确、不确定的信息。
与传统的精确控制方法不同，模糊控制不依赖于精确的数学模型，而是通过模糊规则和模糊推理来实现控制。
这种控制方法在处理复杂、非线性和难以建模的系统时具有独特的优势。
虚拟现实则是一种通过计算机技术创建的沉浸式体验环境。
它能够让用户身临其境地感受到虚拟的场景和物体，并与虚拟环境进行交互。
虚拟现实具有高度的沉浸感、交互性和想象力等特点，能够为用户带来非常逼真的体验。
那么，模糊控制在虚拟现实中究竟有哪些应用呢？在虚拟现实的场景生成中，模糊控制可以发挥重要作用。
例如，在创建自然景观时，如山脉、河流、森林等，其形态和特征往往具有很大的不确定性和复杂性。
通过模糊控制，可以根据一些模糊的规则和条件，如地形的起伏程度、气候的变化等，生成更加逼真和自然的场景。
使得虚拟场景中的自然元素看起来更加真实，让用户仿佛置身于真实的自然环境中。
在虚拟现实中的物体行为模拟方面，模糊控制也大有用武之地。
比如，模拟动物的行为。
动物的行为通常受到多种因素的影响，包括环境、自身状态、其他动物的存在等，这些因素往往是模糊和不确定的。
利用模糊控制，可以根据这些不确定的因素来模拟动物的行为，使其行为更加自然和真实。
再比如，模拟物体的物理运动。
在虚拟环境中，物体的运动可能会受到各种模糊因素的影响，如摩擦力、空气阻力等。
通过模糊控制，可以更准确地模拟这些不确定因素对物体运动的影响，让物体的运动更加符合现实情况。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点【模糊控制技术发展现状及研究热点】一、引言模糊控制技术是一种基于模糊逻辑的控制方法，它能够处理不确定性和模糊性的问题，在工业控制、自动化系统、人工智能等领域得到了广泛的应用。
本文旨在介绍模糊控制技术的发展现状以及当前的研究热点。
二、模糊控制技术的发展现状1. 发展历程模糊控制技术起源于上世纪60年代，由日本学者松井秀树首次提出。
随后，美国学者津田一郎对模糊控制进行了深入研究，并提出了模糊控制的基本理论框架。
自此以后，模糊控制技术得到了快速发展，并在工业控制领域得到了广泛应用。
2. 应用领域模糊控制技术在许多领域都有广泛的应用。
其中，工业控制是模糊控制技术的主要应用领域之一。
通过模糊控制技术，可以实现对复杂工业过程的控制和优化。
此外，模糊控制技术还应用于自动驾驶、机器人控制、电力系统控制等领域。
3. 发展趋势随着信息技术的迅速发展，模糊控制技术也在不断创新和进步。
目前，模糊控制技术正朝着以下几个方向发展：（1）深度学习与模糊控制的结合：将深度学习技术与模糊控制相结合，可以提高模糊控制系统的性能和鲁棒性。
（2）模糊控制理论的拓展：研究者们正在不断完善模糊控制理论，以适应更加复杂和多变的控制问题。
（3）模糊控制技术在新领域的应用：随着科技的发展，模糊控制技术将在更多领域得到应用，如医疗、金融等。
三、模糊控制技术的研究热点1. 模糊控制算法优化目前，研究者们正致力于改进模糊控制算法，以提高控制系统的性能。
其中，遗传算法、粒子群算法等优化算法被广泛应用于模糊控制系统的参数优化和规则提取。
2. 模糊控制系统的建模方法模糊控制系统的建模是模糊控制技术研究的重要内容之一。
目前，常用的建模方法包括基于经验的建模方法、基于数据的建模方法以及基于物理模型的建模方法。
研究者们正在探索更加准确和高效的建模方法。
3. 模糊控制技术在自动驾驶领域的应用随着自动驾驶技术的快速发展，模糊控制技术在自动驾驶领域的应用也备受关注。
模糊控制技术发展现状及研究热点
模糊控制技术发展现状及研究热点引言：模糊控制技术是一种基于模糊逻辑的控制方法，它能够应对系统模型不确定、非线性和复杂等问题，因此在工业自动化、机器人、交通运输等领域得到了广泛应用。
本文将详细介绍模糊控制技术的发展现状，包括其基本原理、应用领域和优势。
同时，还将探讨当前模糊控制技术研究的热点，包括模糊控制器的设计方法、模糊集合的建模技术和模糊控制系统的性能优化等方面。
一、模糊控制技术的基本原理模糊控制技术是基于模糊逻辑的一种控制方法，它通过将模糊集合和模糊规则引入控制系统，实现对非精确和不确定性问题的处理。
模糊控制系统由模糊化、模糊规则库、模糊推理和去模糊化四个基本部分组成。
其中，模糊化将输入变量映射为模糊集合，模糊规则库存储了专家知识，模糊推理根据规则库进行推理，最后通过去模糊化将模糊输出转化为实际控制信号。
二、模糊控制技术的应用领域模糊控制技术在众多领域中得到了广泛应用，以下是其中几个典型的应用领域：1. 工业自动化：模糊控制技术可以应用于工业过程控制、机械控制和电力系统控制等领域，通过处理非线性和不确定性问题，提高系统的控制性能和稳定性。
2. 交通运输：模糊控制技术可以应用于交通信号控制、智能交通系统和自动驾驶等领域，通过优化交通流量和减少交通拥堵，提高交通运输效率和安全性。
3. 机器人：模糊控制技术可以应用于机器人路径规划、运动控制和智能决策等领域，通过处理环境变化和感知不确定性，提高机器人的自主性和适应性。
4. 医疗设备：模糊控制技术可以应用于医疗设备的控制和监测，例如麻醉机、呼吸机和心脏起搏器等，通过精确控制和监测，提高医疗设备的安全性和效果。
三、模糊控制技术的优势相比于传统的控制方法，模糊控制技术具有以下几个优势：1. 鲁棒性：模糊控制技术能够处理系统模型不确定、非线性和复杂等问题，具有较强的鲁棒性，适用于各种复杂环境和工况。
2. 知识表达：模糊控制技术通过模糊集合和模糊规则库来表示专家知识，使得控制系统更易理解和调整。
自动化控制系统中的模糊控制技术应用研究
自动化控制系统中的模糊控制技术应用研究自动化控制系统是现代工业生产中不可或缺的一部分，它的目标是通过控制算法和设备，实现对系统的精确控制。
而在自动化控制系统中，模糊控制技术作为一种重要的控制方法，逐渐被广泛应用。
本文将探讨模糊控制技术在自动化控制系统中的应用研究。
一、模糊控制技术概述模糊控制技术是20世纪70年代提出的一种控制方法，它通过建立模糊集合、模糊规则和模糊推理机制，实现对非精确系统的控制。
相比于传统的精确控制算法，模糊控制技术具有以下优势：1. 模糊控制技术能够应对系统建模不准确的问题，适用于复杂的非线性系统。
2. 模糊控制技术能够处理具有不确定性或模糊性的输入和输出变量，提高系统的稳定性和适应性。
3. 模糊控制技术具有较强的人工智能特性，可以模拟人类的控制思维和行为，更好地与人机交互。
二、模糊控制技术在自动化控制系统中的应用1. 模糊控制技术在温度控制系统中的应用在工业生产过程中，温度控制是一个关键的环节。
传统的精确控制方法往往需要建立复杂的数学模型，对系统建模要求较高。
而模糊控制技术可以通过模糊集合和模糊规则来描述温度变化过程中的不确定性和模糊性，更好地适应温度系统的复杂性。
2. 模糊控制技术在机器人控制系统中的应用机器人控制系统是自动化控制系统的一个重要应用方向。
传统的机器人控制方法往往需要建立复杂的动力学模型和轨迹规划算法，对计算资源要求较高。
而模糊控制技术可以通过模糊推理机制实现对机器人运动轨迹的智能规划和控制，提高机器人的适应性和灵活性。
3. 模糊控制技术在交通控制系统中的应用交通控制是一个与人们日常生活密切相关的领域。
传统的交通控制方法往往基于固定的时间表或交通流量的统计规律，难以适应交通系统的动态变化。
而模糊控制技术可以通过模糊推理机制实时调整信号灯的相位和时序，根据道路车流的实际情况进行智能的交通控制，提高交通系统的效率和安全性。
三、模糊控制技术应用研究的挑战与展望尽管模糊控制技术在自动化控制系统中取得了一定的成就，但仍然面临一些挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模糊控制技术的发展与前景展望模糊控制技术发展现状与前景展望1.引言人的手动控制策略是通过操作者的学习，实验以及长期经验积累而形成的，他通过人的自然语言来叙述。
由于自然语言具有模糊性，所以，这种语言控制也被称为模糊语言控制，简称模糊控制。
近年来，对于经典模糊控制系统稳态性能的改善，模糊集成控制，模糊自适应控制，专家模糊控制与多变量模糊控制的研究，特别是对复杂系统的自学习与参数自调整模糊系统方面的研究，受到各国学者的重视。
人们将神经网络和模糊控制技术相结合，形成了一种模糊神经网络技术，他可以组成一组更接近于人脑的智能信息处理系统，其发展前景十分广阔。
2.模糊控制的热点问题模糊控制技术是一项正在发展的技术，虽然近年来得到了蓬勃发展，但它也存在一些问题，主要有以下几个方面(1) 还没有有形成完整的理论体系，没有完善的稳定性和鲁棒性分析、系统的设计方法（包括规则的获取和优化、隶属函数的选取等）；(2) 控制系统的性能不太高（稳态精度较低，存在抖动及积分饱和等问题）；(3) 自适应能力有限。
目前，国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了一些阶段性成果，下面介绍一下近期的主要研究热点。
2.1 模糊控制系统的稳定性分析任何一个自动控制系统要正常工作，首先必须是稳定的。
由于模糊系统本质上的非线性和缺乏统一的系统描述，使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和设计，因此，模糊控制理论的稳定性分析一直是一个难点课题，未形成较为完善的理论体系。
正因为如此，关于模糊系统的稳定性分析近年来成为众人关注的热点，发表的论文较多，提出了各种思想和分析方法。
目前模糊控制系统稳定性分析方法主要有以下几种：(1) 李亚普诺夫方法基于李亚普诺夫直接方法，许多学者讨论了离散时间和连续时间模糊控制系统的稳定性分析和设计。
使用李亚普诺夫线性化方法，Ying建立了包括非线性对象的T-S模糊控制系统局部稳定性的必要和充分条件。
另外，一种在大系统中使用的向量李亚普诺夫直接方法，被用于推导多变量模糊系统的稳定性条件；李亚普诺夫第二方法被用于判别模糊系统量比因子选择的稳定性；波波夫一李亚普诺夫方法被用于研究模糊控制系统的鲁棒稳定性。
但是，李亚普诺夫的一些稳定性条件通常比较保守，即当稳定性条件不满足时，控制系统仍是稳定的。
(2) 基于滑模变结构系统的稳定性分析方法由于模糊控制器是采用语义表达，系统设计中不易保证模糊控制系统的稳定性和鲁棒性。
而滑模控制有一个明显的特点，即能处理控制系统的非线性，而且是鲁棒控制。
因此一些学者提出设计带有模糊滑模表面的模糊控制器，从而能用李亚普诺夫理论来获得闭环控制系统稳定性的证明。
Palm和Driankov采用滑模控制的概念分析了增益规划的闭环模糊控制系统的稳定性和鲁棒性。
另有一些学者用模糊推理来处理控制系统的非线性和减少控制震颤，使得基于李亚普诺夫方法可保证控制系统的稳定性。
基于变结构系统理论，可以得到控制系统的跟踪精度和模糊控制器的I/O模糊集映射形状之间的关系，从而可以解释模糊控制器的鲁棒性和控制性能。
文献等研究了基于变结构控制框架的模糊控制系统的稳定性，通过输出反馈的模糊变结构控制，并用李亚普诺夫方法证明了闭环控制系统是全局有界输入有界输出稳定的。
若使用变结构控制类型的模糊规则集，模糊控制器从语义和定量上可显示出变结构的特性。
为便于李亚普诺夫稳定性判据能指导设计和调整模糊控制器，文献推导出模糊控制器的具体数学表达式。
(3) 描述函数方法描述函数方法可用于预测极限环的存在、频率、幅度和稳定性。
通过建立模糊控制器与多值继电控制器的关系，描述函数方法可用于分析模糊控制系统的稳定性。
另外，指数输入的描述函数技术也能用于研究模糊控制系统的暂态响应。
虽然描述函数方法能用于SISO和MISO模糊控制器以及某些非线性对象模型，但不能用于三输入及以上的模糊控制器。
并且由于这种方法一般应用于非线性系统中确定周期振荡的存在性，因此只是一种近似稳定性分析方法。
(4) 圆稳定性判据方法圆判据可用于分析和再设计一个模糊控制系统。
使用扇区有界非线性的概念，一般化的奈魁斯特（圆）稳定性判据可用于分析SISO和MIMO模糊系统的稳定性，并且扩展圆判据可用于推导一类简单模糊PI控制系统稳定性的充分条件。
由于圆判据要求比较严格，Furutani提出一种移动的波波夫判据，用于分析模糊控制系统的稳定性。
当此判据中参数θ设为零时，该判据与圆判据一致。
除了以上介绍的方法外，模糊控制系统的稳定性分析还有相平面法、关系矩阵分析法、超稳定理论、Popov判据、模糊穴―穴映射、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和LMI（矩阵不等式）凸优化方法等。
2.2 自适应模糊控制器的研究为了提高模糊控制系统的自适应能力，许多学者对自适应模糊控制器进行了研究，研究方向主要集中在以下方面。
(1) 自校正模糊控制器自校正模糊控制器是在常规模糊控制的基础上，采用加权推理决策，并引入协调因子，根据系统偏差e和偏差变化ec的大小，预测控制系统中的不确定量并选择一个最佳的控制参数或控制规则集，在线自动调整保守和大胆控制的混合程度，从而更全面确切地反映出人对诸因素的综合决策思想，提高系统的控制精度和鲁捧性能。
目前这种变结构的自校正模糊控制器是根据被调量e和ec 在线选取最佳控制规则及控制决策的，而对于一些复杂的生产过程,其生产工艺和环境因素都较为复杂，往往不能只考虑系统的偏差和偏差变化率来确定其控制策略，难于总结出比较完整的经验，此时模糊控制规则或者缺乏，或者很粗糙，并且当被控对象参数发生变化或受到随机干扰影响时，都会影响模糊控制的效果。
(2) 自组织模糊控制器自组织模糊控制器能自动对系统本身的参数或控制规则进行调整，使系统不断完善，以适应不断变化的情况，保证控制达到所希望的效果。
它根据自动测量得到的实际输出特征和期望特征的偏差，确定输出响应的校正量并转化控制校正量，调整模糊控制规则，作用于被控对象。
其基本特征是：控制算法和规则可以通过在线修改，变动某几个参数可以改变控制结果。
它不仅仅是局限于某个对象，而是通过自组织适应几类对象。
有代表性为以下三种类型：①为自校正模糊控制器：在常规模糊控制中增加系统辨别和修正控制功能。
通过使用一个较为粗糙的初期模型，经过模糊控制器的自组织功能，达到在线修正模糊控制规则，完善系统性能，使其达到预期的要求；②自调整比例因子模糊控制器：通过调整系统偏差及偏差变化率的比例因子来控制模糊控制器中的输出量的比例系数，即改变系统的增益。
它充分体现了操作者手动控制的思维特点和控制策略，保证了系统有良好的动态性和稳态精度；③模糊自整定PID参数控制器：应用模糊集理论，根据系统运行状态，在线整定控制器PID参数〔KP、KI、KD〕。
由于模糊自整定参数KP、KI、KD与偏差e变化率ec间建立起在线自整定函数关系，且这种关系是根据人的经验和智慧积累起来的，使系统在不同的运动状态下能对PID控制器参数实现智能调节，能明显改善被控过程的动态性和稳定性能，提高抗干扰能力和鲁棒性。
2.3 模糊控制与其他智能技术分支相结合作为智能控制的一种新方法，模糊控制与智能领域的一些其他新技术相结合，向着更高层次的应用发展也是目前研究热点之一。
下面简要介绍模糊控制与神经网络和遗传算法的结合情况。
(1) 模糊控制与神经网络(NN)的结合神经网络是由大量的简单处理单元构成的非线形动力系统，能映射任意函数关系，且具有学习性，能处理不完整、不精确的、非常模糊的信息。
模糊控制和神经网络之间具有很强的互补性，一方面对神经网络来说知识抽取和知识表达比较困难，而模糊信息处理方法对此却很有效；另一面，模糊模式很难从样本中直接学习规则，且在模糊推理过程中会增加模糊性，但神经网络能进行有效地学习，并且采用联想记忆而降低模糊。
由此可见，神经网络适合于处理非结构化信息，而模糊模式对处理结构化的知识更有效。
模糊控制与神经网络的融合系统是一种自适应模糊控制系统。
目前，实现模糊控制的神经网络从结构上看主要有两类，其一是在神经网络结构中引入模糊模式，使其具有处理模糊信息的能力，如把神经元中的加权求和运算转变为“并”和“交”等形式的模糊逻辑运算以构成模糊神经元；其二是直接利用神经网络的学习功能及映射能力，去等效模糊控制中的模糊功能块，如模糊化、模糊推理、反模糊化等，目前研究应用最为广泛的ANFIS模糊神经网络就属于这一类。
ANFIS网络一般由五层前向网络组成，每层都有明确的含义，第一层为输入层；第二层计算隶属度函数；第三层计算每条规则的使用度；第四层进行归一化计算；第五层实现清晰化即解模糊化。
ANFIS 网络所包含的信息能够清晰地获得，克服了BP网络黑箱型操作的不足[7]。
采用神经元网络实现的模糊控制，对于知识的表达并不是通过显式的一条条规则，而是把这些规则隐含地分布在整个网络之中。
在控制应用中不必进行复杂费时的规则搜索、推理，而只须通过高速并行分布计算就可产生输出结果，这在某种意义上与人的思维更为接近。
(2) 模糊控制与遗传算法（GA）的结合遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，由美国Michigan大学的Holland教授首先提出。
选择、交叉和变异是遗传算法的三个主要操作算子，它们构成了所谓的遗传操作。
遗传算法主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，这使得它可以高效率地发现全局最优解或接近最优解，并避免陷入局部最优解，而且对问题的初始条件要求较少。
目前利用遗传算法优化模糊控制器时，优化的主要对象是隶属函数和模糊控制规则集。
根据优化对象的不同，现有的研究可分为以下几种类型：①已知模糊控制规则，利用GA优化隶属函数一般先设定隶属函数的形状，实践表明，三角形型、梯形型、高斯型等比较简单的隶属函数即可满足一般模糊控制器的需要。
设定隶属函数形状后，确定待寻优的隶属函数参数，一般高斯型有2个参数，三角形有3个参数，梯形有4个参数。
利用已有知识确定各参数的大致允许范围，并对参数进行编码，将所有的待寻优参数串接起来构成一个个体，代表一个模糊控制器。
然后建立一定的性能指标，最后便可利用遗传算法的一般步骤进行寻优。
②已知隶属函数，利用GA优化模糊控制规则事先确定输入输出隶属函数的形状和各参数，将每个输入输出变量划分为一定数量的模糊子集，从而确定最大可列举规则数，将一个规则表按一定的顺序展开为一维，并编码为一个个体。
随机地选择一定数量的个体作为初始群体，对这些个体进行遗传操作，实现控制规则的优化。
③同时优化隶属函数和模糊控制规则隶属函数和模糊控制规则不是相互独立而是相互联系的，因此很多学者认为固定隶属函数优化模糊控制规则或固定模糊控制规则优化隶属函数的做法人为地割裂了这种联系，使优化得到的隶属函数或控制规则失去了原来的意义，建议应该同时对二者进行调整，并在这方面做了一些工作。