Modellizzazione & comando dei sistemi industriali complessi per mezzo delle tecniche intelligenti

17 
 
 
Introduzione generale 
 
 
 
A – Studio preliminare 
 
La concezione e la realizzazione dei sistemi di modellizzazione e di controllo 
avanzati dei procedimenti industriali complessi sono dei compiti innegabile e necessari 
di fronte alle esigenze dei nuovi sviluppi tecnologici. La complessità di questi 
procedimenti esige la costruzione degli algoritmi, strettamente adattati alle situazioni 
critiche e anche molto critiche. 
Due modalità di controllo automatico dei procedimenti sono continuamente 
ambite: 
 Le prime, chiamate convenzionali, si basano sulle matematiche dell‟insieme 
controllore/procedimento; 
 Le seconde sono al centro di una disciplina scientifica, relativamente nuova 
e, in ogni caso, controversa, chiamata « TIA » (tecniche di intelligenza artificiale). Le 
TIA caratterizzano l‟insieme degli algoritmi e delle tecniche, conosciute anche con la 
denominazione anglofona di « soft computing », introdotte nel 1994 da L.A. Zadeh, 
come mezzo per costruire sistemi intelligenti rispondenti: 
 agli obblighi di efficacia, di robustezza e di facilità di implementazione; 
 all’ottimizzazione di costi temporali, energetici, finanziari, ecc. 
Le nuove tecniche devono tenere conto anche della presente della componente 
umana e, soprattutto, dell’esperienza nei sistemi da studiare e da analizzare [1]. Le 
principali tecniche sono : la logica fuzzy « LF », le reti di neuroni « RNA » e gli 
algoritmi genetici « AG » [2] - [4]. I primi due elementi dei TIA, « RNA » e « LF », 
tentano di modellizzare il funzionamento del cervello umano. Le RNA tentano di 
modellizzare l‟architettura neuronale del cervello. I sistemi fuzzy, dal canto loro, ne 
modellizzano la modalità di funzionamento (ragionamento): apprendimento e 
deduzione. Gli AG servono invece a modellizzare il processo dell‟evoluzione genetica 
delle specie viventi.  
Negli ultimi anni, lo sviluppo di nuovi concetti o metodologie e algoritmi nel 
campo dell‟intelligenza artificiale, ha fornito strumenti alternativi per affrontare il 
problema di modellizzazione e di controllo dei sistemi non lineari (scienze 
ingegneristiche). L‟obiettivo degli studiosi è costruire sistemi artificiali che fissino gli 
importanti meccanismi dei sistemi naturali. 
L‟aumento della robustezza, il controllo non lineare e il controllo adattivo sono gli 
obiettivi principali delle nuove strategie di controllo. Esse realizzano metodi avanzati di 
controllo. Gli algoritmi di controllo intelligente figurano tra le nuove tendenze di 
controllo dei sistemi complessi. 
L‟applicazione dei TIA, nonché le loro ibridazioni, per la modellizzazione e il 
comando dei sistemi fortemente non-lineari, possono fornire soluzioni ben adattate alla 
complessità dei procedimenti industriali.
18 
 
La logica fuzzy eccelle nella rappresentazione di conoscenze imprecise o 
incomplete. [2]. Essa costituisce una comoda interfaccia per la modellizzazione del 
linguaggio naturale, in particolare i concetti linguistici utilizzati dagli esperti di un 
procedimento. Per la gestione dei procedimenti complessi, l‟esperto si scontra con la 
difficoltà di formalizzazione delle regole. I dati sperimentali (numerici) sono una fonte 
di conoscenza complementare. L‟apprendimento a partire dai dati consente di riprodurre 
le relazioni che possono esistere tra le entrate e le uscite di un tale procedimento. Takagi 
& Sugeno sono stati i primi a proporre di tali sistemi concepiti a partire dai dati 
numerici (identificazione). Essi rappresentano un secondo tipo di sistemi di inferenza 
fuzzy « SIF » [5]. 
Dubois e Prade hanno constatato che, col tempo e con le tecnologie sviluppate per 
la concezione dei SIF a partire dai dati numerici, tale tecnologia si allontana dal fuzzy 
per diventare semplicemente uno strumento di approssimazione di funzioni. 
L‟interpretabilità può essere vista come un cliente che consente di passare dal sistema di 
tipo scatola nera ad un sistema fuzzy. Se essa viene completamente rilasciata, il SIF si 
comporta come un approssimatore e mira, semplicemente, a migliorare le performance 
economiche [6]. 
La capacità dell‟approssimazione universale dei SIF rappresenta la piattaforma o 
la giustificazione teorica di quasi tutte le ricerche teoriche e delle loro applicazione 
nell‟ambito dell‟identificazione e del controllo fuzzy [7] - [10]. 
La logica fuzzy consente di gestire sistemi complessi in modo semplice e 
facilmente esplicitabile dall‟esperienza umana. La difficoltà della sua realizzazione 
consente nella messa a punto dei parametri e delle funzioni di appartenenza. Questo 
problema può essere risolto con l‟uso dei metodi di estrazione automatica delle 
conoscenze: i metodi analitici, i TIA, ecc. (capitolo 2). 
La sintesi di un SIF presenta un aspetto primitivo e artigianale innegabile. La 
scelta delle funzioni di appartenenza, del loro numero, della defuzzificazione, se non 
anche dell‟inferenza fuzzy, è molto arbitraria. Infine, è importante menzionare la 
difficoltà di garantire la coerenza e l‟interpretabilità delle regole fuzzy, in particolare per 
sistemi multi- variabili in cui il numero delle regole diventa molto elevato. La 
regolazione per prove successive di questi numerosi parametri è spesso assai lungo e 
fastidioso [11]. 
Negli ultimi anni, sono state sviluppate varie tecniche di ottimizzazione e di 
apprendimento basate su diversi approcci. I metodi ibridi integrano ogni sorta di 
strumenti, tra i quali i più utilizzati sono gli RNA e gli algoritmi evolutivi « AE ». 
Questi ultimi sono in grado di trovare un optimum globale e consentono di ottimizzare 
la struttura e i parametri di un SIF. Gli RNA hanno apportato ai SIF i loro algoritmi di 
apprendimento e la loro precisione nella regolazione numerica. Questo tipo di strumenti 
è apprezzabile quando: 
La semantica è secondaria rispetto alle performance numeriche. 
La gestione dei problemi, per i quali non è in alcun caso disponibile nessuna 
conoscenza esperta. 
L‟obiettivo delle varie ibridazioni possibili, LF-AG, LF-RNA e LF-RNA-AG, è di 
sviluppare dei sistemi ibridi che riuniscano le capacità di apprendimento dei RNA, di 
ottimizzazione degli AG e la leggibilità e flessibilità degli elementi manipolati dai SIF.
19 
 
B – Formulazione del problema 
 
Il presente studio consiste nel mettere in evidenza le proprietà e i vantaggi dei TIA 
per la sintesi delle leggi di comandi fuzzy dei sistemi dinamici. Tali leggi assicurano la 
stabilità e la robustezza delle strutture di comando rispetto alle perturbazioni di varie 
forme che possono essere dovute sia alle perturbazioni ambientali di funzionamento sia 
ai diversi problemi di sfruttamento interni. In genere, la sintesi di una legge di comando 
si svolge in 3 tappe: 
 Elaborazione di un modello di comando.  
 Determinazione della struttura e dei parametri di un controllo in funzione delle 
performance desiderate. 
 Realizzazione dell‟algoritmo di controllo.  
Durante la sintesi di una legge di comando, le performance ricercate si articolano 
spesso attorno a tre tipi di specifiche, ovvero: 
 La semplicità di installazione e di realizzazione. 
 La precisione. 
 La stabilità di installazione e di realizzazione. 
Una parte di questa tesi mira a sintetizzare una legge di comando fuzzy stabile e 
robusta. L‟oggetto principale verte su una struttura RBF fuzzy con un numero ridotto di 
strati (delle regole). Un AGM è dedicato all‟ottimizzazione dell‟insieme struttura & 
parametri della legge di comando. L‟apprendimento più fine dei parametri di questa 
legge consente di migliorare le performance desiderate. 
Una seconda parte riguarda la modellizzazione e il controllo fuzzy dei sistemi 
fortemente non lineari. Per procedere ad una modellizzazione, avevamo bisogno di tre 
ingredienti principali, ovvero [12] : 
 Un campo di applicazione; 
 Una struttura del modello; 
 Un criterio di selezione.  
Secondo R. Hanus, un buon modello deve: 
 Essere tanto semplice quanto possibile; 
 Avere un campo di validità tanto ampio quanto possibile;  
Il tutto deve avere un criterio di selezione avente, preferibilmente, un senso. 
È evidente che le prime due qualità, che desideriamo conferire a un modello, sono 
spesso contraddittorie o compromesse. Più un modello è semplice più piccolo è il suo 
campo di validità. Più un campo di validità è grande più complesso è il modello [12]. 
Di fronte alla difficoltà di modellizzazione e di comando dei sistemi non lineari 
altamente complessi, si è spesso portati, a partire da considerazioni fisiche, a considerare 
alcune classi manipolabili da strumenti matematici esistenti. L‟approccio locale consiste 
nell‟approssimare il modello in vicinanza di un punto di funzionamento [13]. Il modello 
lineare risultante non è che una descrizione locale del comportamento del sistema. Il 
carattere locale è il maggiore inconveniente di questa rappresentazione. 
L‟approccio globale, o molto semplicemente il concetto di multi-modello, consiste 
nel rappresentare il modello intorno a vari punti di funzionamento. Il multi-modello può 
essere ottenuto per trasformazione diretta di un modello affine, per linearizzazione 
intorno a vari punti di funzionamento, o per identificazione a partire dai dati di
20 
 
entrate/uscite [5] e [14] - [15]. 
L‟uso del concetto multi-modello, ovvero dei modelli lineari interconnessi da 
funzioni non lineari, consente allora di trovarsi in un contesto dove è possibile utilizzare 
gli strumenti della teoria dei sistemi lineari. Lo strumento di sintesi delle leggi di 
comando privilegiato nell‟ambito dei modelli TS è l‟approccio diretto di Lyapunov. La 
funzione candidata più correntemente utilizzata è di forma quadratica. La legge di 
comando usata correntemente si basa sul concetto di comando per ritorno di stato. Tale 
idea, introdotta da Wang et al., è chiamata, nel caso di un SIF di tipo TS, compensazione 
parallela distribuita « PDC »  [16]. L‟ottenimento del controllore fuzzy PDC consiste 
nel determinare le matrici dei guadagni di ritorno di stato che soddisfano le condizioni di 
stabilità. Questo problema si riduce a un problema di fattibilità e può essere risolto con 
l‟ausilio degli strumenti dell‟ottimizzazione convessa e, più particolarmente, degli LMI. 
Lo studio della stabilità costituisce una fase importante nell‟analisi dei 
comportamenti dinamici di un sistema in BF. La rappresentazione multi-modello è ben 
adattata alla modalità di analisi della stabilità nel senso energetico di Lyapunov. 
La risoluzione di un problema di comando in automatico comprende perlopiù 2 
tappe: l‟analisi e la sintesi. La sintesi è quindi seguita da una fase di analisi per 
verificare se tutte le specifiche menzionate nel capitolato d‟oneri siano soddisfatte. La 
strategia di analisi e di sintesi delle leggi di comando nel contesto multi-modello è 
concepita intorno a 3 assi:  
Il modello fuzzy nato dal processo da comandare per linearizzazione intorno a 
punti di funzionamento scelti. Il modello fuzzy modellizza, in modo approssimativo, il 
processo da studiare.  
 La legge di comando fuzzy per ritorno di stato.  
 Condizioni di stabilità del modello in BF.  
 Lo sviluppo di una strategia di comando deve assicurare non soltanto la 
stabilità, ma anche la robustezza in presenza dei fenomeni di perturbazione. 
La realizzazione dei metodi e delle tecniche di studio della stabilità dei sistemi 
dinamici è tanto più difficile quanto la dimensione è elevata e la struttura è complessa. 
Essa necessita a volte dello sviluppo di approcci di risoluzione dell‟equazione di 
Lyapunov e di LMI [17] - [18]. 
 
C – Obiettivi del lavoro 
 
I lavori presentati in questa tesi si propongono di dimostrare le capacità dei SIF : 
 di comandare i sistemi complessi; 
 di modellizzare le dinamiche di questi sistemi; 
 di concepire strutture di comando non lineari stabili e robuste. Il nostro lavoro 
è stato motivato dai problemi riscontrati nella fase di concezione dei SIF. Si 
tratta essenzialmente di risolvere: 
 i problemi di dimensionamento della base delle regole fuzzy del SIF, ovvero la 
struttura; 
 i problemi di configurazione dei parametri della base di conoscenze; 
 i problemi di stabilità/robustezza dell‟insieme controllore/processo da 
comandare.
21 
 
D – Contributi 
 
In primo luogo, il problema della modellizzazione consiste nello scegliere una 
struttura appropriata del SIF e poi a concepire leggi di regolazione dei vari parametri che 
soddisfano un criterio di performance predeterminato dall‟ideatore. 
Il primo contributo di questa tesi riguarda quello di stabilire una legge di comando 
fuzzy efficace, stabile e robusto. La scelta del tipo di ragionamento, i vincoli concettuali, 
il metodo di ottimizzazione, la modalità di rappresentazione delle informazioni e il 
criterio delle performance desiderate sono fattori significativi che intervengono nella 
fase di concezione. È stata sviluppata una RBF fuzzy a struttura minimale. 
L‟apprendimento ibrido integrante uno strato di ottimizzazione genetica seguita da 
un‟incursione del gradiente consente di arrivare ad un compromesso tra la struttura 
ottimale e i parametri ottimali. In questo caso, la funzione da ottimizzare tiene conto 
delle performance del sistema da valutare, della complessità della struttura di controllo e 
dello sforzo energetico da applicare. 
L‟inclusione dei termini strutturali (numero delle regole) nel criterio delle 
performance da minimizzare oltre ai termini funzionali (errori di prosecuzione, sforzi 
energetici) costituiscono l‟aspetto multi-obiettivo del metodo di ottimizzazione. 
L‟introduzione dei vincoli di concezione nel processo di ottimizzazione viene presentata 
in questa parte della tesi.  
I vincoli sui limiti del vettore dei parametri da identificare, i limiti sulle grandezze 
di comando e le variabili di stato del procedimento da comandare e le equazioni 
vincolanti assicurano, o più presto costituiscono, un buon compromesso tra gli obiettivi 
di concezione menzionati dal capitolato d‟oneri: efficacia e stabilità robusta. La 
funzione obiettiva deve dipendere, esplicitamente o implicitamente, dall‟insieme di 
parametri di concezione. L‟obiettivo principale dell‟ottimizzazione consiste: 
 nel trovare una rappresentazione strutturale/parametrica adeguata per la rete 
RBF fuzzy; 
 nello stabilire un gioco di vincoli che consenta di arrivare ad un compromesso 
tra gli obiettivi di concezione nel corso di tutto il processo di ottimizzazione.  
Abbiamo suddiviso la costruzione della base di conoscenze fuzzy in 2 tappe: una 
tappa di ottimizzazione simultanea della struttura delle regole e dei parametri 
corrispondenti. La seconda tappa è un apprendimento più fine dei parametri all‟inizio 
ottimizzati nella prima fase. 
L‟algoritmo di ottimizzazione, che è caratterizzato da un AGM, rappresenta le 
caratteristiche seguenti: 
 Dimensione ridotta dei cromosomi: la strategia della codifica mista e la 
modalità di partizionamento dello spazio di entrata consentono di rendere 
minima la rappresentazione cromosomica; 
 Concetto di cambiamento di scale: l‟analisi degli scopi di modellizzazione e la 
nozione di competizioni imposte di tali obiettivi ne sono un modo per 
cambiare in modo dinamico la scala della funzione di valutazione 
dell‟algoritmo di ottimizzazione. Questo meccanismo garantisce una diversità 
delle soluzioni nella popolazione dell‟AGM. 
 Tipologie delle mutazioni applicate: non lineare e uniformemente forzata.
22 
 
Va sottolineato che, secondo la tipologia di variabili di entrate e della legge di 
comando sintetizzata, si possono avere similarità con i controllori convenzionali di tipo 
PID. Le non linearità dei guadagni delle azioni di proporzionalità, di derivazione e di 
integrale che intervengono nella costruzione della legge di comando fanno la differenza 
tra il PID convenzionale e il controllore così sviluppato. 
Al fine di testare e di valutare le performance dell‟algoritmo proposto per la sintesi 
di una legge di comando a obiettivi multipli (semplice, precisa, stabile e robusta) 
abbiamo effettuato delle simulazioni su alcuni sistemi non lineari. Ad ogni tipo di 
sistema non lineare è applicata una forma specifica della legge di comando sviluppata. 
Tale differenza è principalmente dovuta alla natura e alla complessità del procedimento 
da comandare. Il controllo della temperatura di un bagno di acqua, il controllo del 
pendolo inverso e il comando di un robot manipolatore a 2 gradi di libertà sono esempi 
di test. 
Il secondo contributo dello studio consiste nello sviluppare una metodologia di 
sintesi che consenta l‟esplicita presa in conto di specifiche strutturali e funzionali 
simultaneamente. Il concetto del multi-modello verrà sfruttato per la sintesi di una legge 
di comando fuzzy, pur assicurando la stabilità in BF. L‟idea consiste nel determinare un 
insieme ridotto di regole con la definizione delle zone di funzionamento (funzione di 
appartenenza) per ogni variabile di stato del sistema. Intorno a queste zone, verrà 
stabilito il multi-modello attraverso la linearizzazione del modello del sistema. Tale fase 
rappresenta la modellizzazione fuzzy del sistema non lineare. Il comportamento globale 
risulta dalla « fusione » da parte del formalismo di TS dell‟insieme dei comportamenti 
locali. Gli AG rappresentano lo strumento di ottimizzazione che interviene in tutte le 
tappe di sintesi della legge di comando. L‟algoritmo sviluppato in questo contributo 
consiste: 
 nella simulazione del comportamento del procedimento da studiare. Tale 
operazione ci consente di determinare, approssimativamente, la zona di 
variazione delle variabili di stato che descrivono il comportamento dinamico 
del sistema; 
 nell‟inizializzazione della base di regole. Questa tappa riguarda soltanto la 
parte comando per ritorno di stato del tipo PDC. In questa fase, l‟algoritmo di 
ottimizzazione sviluppato nel primo contributo con alcune modifiche, consente 
di trovare: 
 Un numero minimale di regole fuzzy che assicurano un grado di efficacia 
della legge di comando per ritorno di stato. 
 Una definizione delle funzioni di appartenenza (zone di funzionamento) 
che intervengono nella determinazione dei punti di funzionamento. 
 nella modellizzazione fuzzy del procedimento. La procedura consiste nella 
costruzione dei modelli locali del sistema per mezzo della linearizzazione del 
modello del sistema intorno ai punti predeterminati di funzionamento. Questi 
punti sono determinati a partire dalla parte premessa comune tra il controllore 
e il modello. I centri delle funzioni di appartenenza (zone di funzionamento), 
che corrispondono alle definizioni delle variabili di stato, rappresentano i punti 
di funzionamento intorno al quale la linearizzazione sarà stabilita. 
 nella determinazione delle condizioni di stabilità del modello completo.
23 
 
L‟approccio genetico è adattato in questa tappa. Il metodo LMI è sostituito da 
uno sfruttamento genetico dello spazio di ricerca dei parametri che giustificano 
le condizioni di stabilità. 
Il metodo proposto permette di stabilire la sintesi di una legge di comando e di 
fornire condizioni sufficienti di stabilità del modello in BF. Il numero minimale di 
regole (il numero dei modelli locali in grado di rappresentare, in modo conveniente, il 
sistema non lineare) è il vantaggio dell‟algoritmo sviluppato. Per illustrare le varie 
performance dell‟algoritmo proposto per la sintesi di una legge di comando fuzzy pur 
assicurando la stabilità in BF, consideriamo il comando nel proseguimento di un bio-
procedimento di trattamento delle acque utilizzate nell‟industria della carta. 
 
 
 
E – Organizzazione del lavoro 
 
Il presente studio, suddiviso in 4 capitoli, è organizzato nel modo seguente: 
Un primo capitolo, interamente dedicato alle nozioni e agli strumenti nel corso del 
lavoro, pone l‟accento sulle principali nozioni teoriche e pratiche delle tecniche 
intelligenti: La LF, gli RNA e gli AG. L‟obiettivo è di fornire un quadro per le ricerche 
condotte in questa tesi. Questo capitolo, di natura teorica, verte innanzitutto sullo 
approfondito delle varie caratteristiche dei TIA al fine di analizzarne la capacità di 
approssimazione e ottimizzazione delle funzioni. Dopo aver introdotto concetti di base 
riguardanti la struttura generale e i vari tipi di modelli fuzzy, abbiamo studiato, più in 
particolare, le caratteristiche fondamentali delle RNA. La topologia della rete, le 
funzioni di attivazione dei neuroni, la soglia di tali funzioni e l‟algoritmo di 
apprendimento utilizzato sono fattori significativi nell‟impiego dei modelli 
connessionisti. Abbiamo inoltre esposto, nel dettaglio, le varie tappe necessarie 
all‟esecuzione di un AG: configurazione parametrica, inizializzazione della popolazione, 
valutazione, selezione per la riproduzione, test di arresto. Sono stati anche esposti i 
miglioramenti dell‟AG di base, per consentirgli di convergerle verso una soluzione 
ottimale. Per ogni tecnica, è stato esposto uno stato dell‟arte delle proposte per il 
miglioramento delle performance. 
Il secondo capitolo è invece dedicato alle modalità di ibridazione SIF-AG, SIF-
RNA e SIF-RNA-AG. Viene svolto uno stato dell‟arte ben dettagliato dei metodi di 
modellizzazione dei SIF per mezzo degli AG. Viene in seguito posto l‟accento sulle 
varie strutture delle reti neuronali fuzzy « RNF », sviluppate negli ultimi anni, 
congiuntamente agli algoritmi di apprendimento. 
Una parte del risultato di questo studio è in seguito coronata dal terzo capitolo. 
Questo è dedicato alla descrizione di una metodologia di sintesi di una legge di comando 
semplice, efficace, stabile e robusta per il controllo dei sistemi, fortemente non lineari e 
complessi. La strategia di comando proposta in questo capitolo verte sul concetto di 
ibridazione neuronale fuzzy. Viene utilizzata una rete RBF fuzzy estesa al ragionamento 
approssimativo del tipo Takagi-Sugeno di ordine 1. Viene utilizzato un algoritmo ibrido 
per un‟ottimizzazione strutturale e parametrica del controllore proposto. La semplicità 
della legge di comando, l‟efficacia, la stabilità e la robustezza sono fattori che
24 
 
intervengono nel criterio delle varie performance da ottimizzare. I dettagli della 
realizzazione e degli esempi di applicazione (la temperatura di un bagno, il pendolo 
inverso e il robot manipolatore a 2 gradi di libertà) sono utilizzati per giustificare la 
validità dell‟approccio proposto. 
Infine, l‟essenza della tesi si concretizza nel quarto capitolo. Esso è dedicato allo 
studio dell‟approccio multi-modello che consente di rappresentare un sistema dinamico 
non lineare come una combinazione di un insieme di modelli lineari concepiti in zone di 
funzionamento. I modelli di TS sono ben adattati a questo tipo di rappresentazione. La 
sintesi di un SIF per mezzo dell‟analisi della stabilità dei sistemi dinamici in BF, 
utilizzando il concetto di multi-modello, è stata adattata e considerata come strumento di 
concezione. In questo capitolo, è stata sviluppata una strategia di sintesi. È stata sfruttata 
un‟esplorazione genetico dello spazio di ricerca strutturale e parametrica per la sintesi di 
una legge di comando fuzzy assicurando la precisione, l‟efficacia, la semplicità e la 
stabilità. Per illustrare la validità dell‟algoritmo che è stato proposto, viene esaminato un 
esempio di sistemi non lineari del tipo MIMO. I risultati di simulazioni giustificano la 
capacità dell‟algoritmo sviluppato di realizzare gli obiettivi fissati dall‟ideatore. 
Va sottolineato che tutti gli algoritmi proposti in questa tesi, per quanto modesta 
sia, assicurano la stabilità e la robustezza delle strutture di comando rispetto alle 
perturbazioni e agli errori di approssimazione. 
Infine, e per chiudere, presentiamo alcune conclusioni pur sintetizzando i vari 
contributi e discutendo prospettive e proposte considerate per proseguire la ricerca. 
I legami tra i vari capitoli che costituiscono questa tesi saranno rappresentati dalla 
figura arborescente seguente: 
 
 
 
 
 
 
 
 
CAPITOLO 1 
CAPITOLO 2 
CAPITOLO 3 
CAPITOLO 4 
CONCLUSIONE 
GENERALE & 
PROSPETTIVE 
INTRODUZIONE 
GENERALE
25 
 
F – Lavori scientifici realizzati 
 
-    Pubblicazione internazionale con comitato di lettura internazionale 
 
[1]. A. Soukkou, A. Khellaf, S. Leulmi, “Multiobjective Optimization of a 
Fuzzy PID controller”, Archives of Control Sciences (ACS), Vol. 16(LII), No. 4, 2006, 
pp. 445-461.  
 
PL ISSN:  0004-072X 
 
http://157.158.12.1/ACS/index.php 
 
[2]. A. Soukkou, A. Khellaf, S. Leulmi, “Systematic Design Procedure of TS-
type Fuzzy Controllers”, International Journal of Computational Intelligence and 
Applications (IJCIA),  
 
Vol. 6, No. 4, December 2006, pp. 531-549. (Word Scientific Publisher)  
 
ISSN: 1469-0268. 
 
http://www.worldscinet.com/ijcia/ijcia.shtml 
 
 
 
Abstracting/ indexing 
 
 CompuScience. 
 INSPEC (IET). 

[3]. A. Soukkou, S. Leulmi, A. Khellaf, “Systematic Design and Hybrid 
Learning of Robust Fuzzy Neural Network Network Controller with Reduced Rule 
Base”, International Journal of Hybrid and Intelligent Systems (IJHIS), Vol. 4, No. 2, June 
2007, pp. 63-88. (IOS Press Publisher)  
 
ISSN: 1448-5869. 
 
http://ijhis.hybridsystem.com/ 
 
Abstracting/ indexing 
 
 CompuScience. 
 Computer & Communications Security. 
 Abstracts Database. 
 SCOPUS. 
 ACM Computing Reviews. 
26 
 
 Zentralblatt Math. 
 ACM Guide to Computing Literature. 
 DLBP. 
 COMPEDEX PLUS. 
 COMPUTER ABSTRACTS. 
 EBSCO‟s Database. 

[4]. A. Soukkou, A. Khellaf, S. Leulmi, “Multiobjective optimization of Robust 
Takagi-Sugeno Fuzzy Neural Controller with Hybrid Learning Algorithm”, 
International Journal of Modelling, Identification and Control (IJMIC), Vol. 2, No. 4, 
2007, pp. 332-346. (Inderscience Publisher – Suisse).  
 
ISSN (Online): 1746-6180 - ISSN (Print): 1746-6172 
 
http://www.inderscience.com/ijmic/ 
 
Abstracting/ indexing 
 
 Compendex. 
 Computer and Information Systems. 
 Electronics & Communications Abstracts. 
 Google Scholar. 
 Inspec. 
 Pascal. 
 Scopus. 

[5]. A. Soukkou, S. Leulmi, A. Khellaf, “How to Optimize the TS-Fuzzy 
Knowledge Base to Achieve a Desired Performances: Accuracy and Robustness”, 
International Journal of Optimal Control Applications and Methods (OCAM), Vol. 29, 
No. 1, 2008, pp. 19-40. (Interscience - Wiley Publisher).  
 
Online ISSN :  1099-1514 
 
Print ISSN :     0143-2087 
 
http://www3.interscience.wiley.com/journal/2133/home 
 
Abstracting/ indexing 
 
 Cambridge Scientific Abstracts (CSA/CIG). 
 COMPENDEX (Elsevier). 
 CompuMath Citation Index® (Thomson ISI). 
 CSA Technology Research Database (CSA/CIG). 
 Current Contents®/Engineering, Computing & Technology (Thomson ISI). 
 Current Index to Statistics (ASA/IMS). 
27 
 
 INSPEC (IET). 
 Journal Citation Reports/Science Edition (Thomson ISI). 
 Mathematical Reviews/MathSciNet/Current Mathematical Publications 
(AMS). 
 Science Citation Index Expanded™ (Thomson ISI). 
 SCOPUS (Elsevier). 
 Statistical Theory & Method Abstracts (International Statistical Institute). 
 Web of Science® (Thomson ISI). 
 Zentralblatt MATH/Mathematics Abstracts (FIZ Karlsruhe). 

[6]. A. Soukkou, S. Leulmi, A. Khellaf, M. Grimes, “Control of Dynamical 
Systems: An Intelligent Approach”, International Journal of Control, Automation, and 
Systems (IJCAS),  
 
Vol. 6, No. 4, August 2008, pp. 583-595.  
 
ISSN: 1598-6446 
 
http://www.ijcas.org/ 
 
Abstracting/ indexing 
 
 EI Compendex. 
 INSPEC (IET). 

[7]. Soukkou, A. Khellaf, S. Leulmi, “Reduced Rule Base + Hybrid Learning = 
Robust and Optimal Fuzzy Controller”, International Applied Soft Computing, Elsevier, 
(Revised form October 2007). Revised Paper has been submitted, Elsevier Edition.  
 
ISSN: 1568-4946 
 
Abstracting/ indexing 
 
 CompuMath Citation Index. 
 Current Contents/Engineering, Computing & Technology. 
 SCI Expanded. 
 Scopus. 

[8]. Soukkou, A. Khellaf, S. Leulmi, K. Boudeghdegh, “Optimal Control of a 
CSTR Process”,  
Brazilian Journal of Chemical Engineering, Vol. 25, No. 04, October-December 2008, 
pp. 809-822.
28 
 
ISSN:  0104-6632 
 
Abstracting/ indexing 
 
 Chemical Abstracts. 
 Engineering Index. 
 Information Access Co. 
 Chemical Abstracts Service. 
 Engineering Index. 
 Scientific Electronic Library Online. 
 Science Citation Index Expanded (SciSearch ®). 
 ISI Alerting Services
sm
. 
 Current Contents® /Engineering, Computing, and Technology. 
 International Nuclear Information System. 
 Ulrich's Periodicals Directory™. 
 All-Russian Institute of Scientific and Technical Information. 

 Pubblicazione nazionale con comitato di lettura internazionale  
 
[9]. A. Soukkou, A. Khellaf, S. Leulmi, “Supervision Neuro-Floue a 
Apprentissage Génétique d‟un PID Robuste”, Revue Sciences et Technologies, 
Université Mentouri, Constantine, No. 23, Juin 2005, pp. 95-106.  
 
ISSN: 1111-5041. 
 
-    Comunicazioni internazionali e nazionali con comitato di lettura 
 
[10]. A. Soukkou, A. Khellaf and S. Leulmi, “Control of Overhead Crane by 
Fuzzy-PID with Genetic Optimization”, Artificial Intelligence Applications and 
Innovations: IFIP 18th World Computer Congress TC12 First International Conference 
on Artificial Intelligence Applications and Innovations, (AIAI-2004), 22–27 August 2004 
Toulouse, France, pp. 67-80.  
 
Editors = Max Bramer & Devedzic, Vladan ; 
 
Publisher Info = Boston, Mass.; London: Kluwer Academic Publishers, c2004; 
Year = {2004}; 
 
ISBN: 1-4020-8150-2 
 
[11]. A. Soukkou, S. Leulmi, A. Khellaf, “Global optimization of a fuzzy 
knowledge using genetic algorithms”, First Baha Technical Meeting (BTM’2004), Mai 
3-6, 2004, Saudi Arabic, pp. 370-379.