针对非线性系统的多目标优化控制问题,在被控对象模型未知的情况下,本文将可行的目标函数与系统响应过程之间的关系描述方法应用到多目标下模糊控制器的优化设计。根据控制系统的控制要求,建立一个控制函数,即对象状态与其控制输入之间的函数关系,从而使每一个控制目标可以达到某种折衷意义上的“满意”最优。本文首先引用了有关文献中规则对单一目标的支持度的概念,将规则作用下的某个时刻系统状态对单一目标的支持度,拓宽为一个时间段内由系统响应函数产生的对单一目标的有利程度。建立某种Pareto意义下的模糊控制算法是模糊多目标优化设计的本质,考虑到MISO Mamdani模糊系统作为一类非线性函数在任意紧致空间上是致密的,即这类系统可以以任意精确度逼近该紧致空间上的某个函数,同时模糊控制规则基的建立又是控制算法的关键,基于此本文根据满意解原理引用了有关文献中Pareto规则基的定义,将多目标优化控制问题转化为Pareto规则基的获取问题,该控制问题的控制目标或控制函数的最优解可利用基于该规则基的Mamdani算法进行逼近。本文给出了一种Pareto规则基的搜索方法,定义了相应的满意度函数概念。它首先针对控制器输入语言变量隶属函数的基点组合对应输出语言变量的隶属函数基点中的每一组基点构成一条规则,在基点处激活规则,分别计算经过一个采样周期后规则对单一目标的支持度,然后将每个目标规格化,按照目标优先级或重要性不同,分别赋予不同的权重,按某种折衷算子得到该Pareto规则对所有目标的综合支持度。搜索综合支持度最高的结果作为最优响应结果,该最优响应结果所对应的规则即为最优Pareto规则,这样搜索到的所有最优Pareto规则就构成了一个Pareto规则基。基于该最优Pareto规则基的模糊控制算法就是一个近Pareto最优控制算法。针对上述算法本文以Michael等人提出的车辆动力学仿真模型为基础对车辆进行了控制仿真。首先对车辆行驶的多个目标进行了定义和分析,并假设在车辆四周安装了基于机器视觉的视觉系统,然后模拟优秀的人工驾驶经验将车辆的速度量化为多个档次,针对控制器隶属函数参数一定对多个目标的线性加权寻优,优化搜索控制规则,给出了搜索算法和搜索程序,从而获得了车辆运行的最优Pareto规则基。然后基于该规则基采用了Mamdani型的模糊控制算法来逼近最优解,并在Matlab里进行仿真试验,给出了车辆自动驾驶的轨迹曲线和输出结果曲线,通过不同路况条件下的仿真试验验证了该多目标优化模糊控制策略的有效性及该规则基具有一定的推广和应用意义,适合在一定道路上的车辆安全、高速行驶。最后针对不同权重本文又给出了基于多目标线性加权优化方法的控制系统验证性分析,进一步验证了本文方法的有效性。