企业官网建设流程全解析

搞期刊论文复现这件事，很多人一开始以为就是“照着论文公式写代码”，真正动手才发现里面全是暗坑。尤其涉及“模糊滑模PID”这种控制方法的论文，公式写得漂亮，但参数不给你、隶属度函数画得很模糊、仿真条件还得靠猜，想原样复现基本不现实。我这篇就围绕“基于模糊滑模PID仿真的期刊论文复现研究（Matlab代码实现）”这个项目，把我自己从读论文、推公式、写代码到调通仿真的完整思路和踩坑记录整理出来。

先说这个项目到底做什么。目标是用Matlab复现一篇期刊论文里的模糊滑模PID控制算法，并在Simulink或脚本环境中跑出仿真结果。模糊滑模PID，本质上是把滑模控制的强鲁棒性、模糊控制的非线性逼近能力和PID控制的工程简易性组合在一起，用于解决被控对象存在参数摄动、外部扰动和模型不确定性的控制问题。这种组合控制策略在电机调速、倒立摆、机械臂轨迹跟踪、电力系统等场景里非常常见。适合谁来参考？一是控制方向的研究生，论文复现基本是必修课；二是做工程仿真验证的工程师，需要快速验证算法的可行性；三是对先进控制算法感兴趣、想从原理走向代码的初学者。

1. 复现之前，先搞懂原理

1.1 为什么要把模糊控制、滑模控制、PID揉在一起

很多人看到“模糊滑模PID”这个名字就觉得头大，一堆术语混在一起，感觉像是控制算法大杂烩。其实它的组合逻辑非常清晰，三个部分各解决一个问题，没有一个是多余的。

PID控制在工程界统治了快一个世纪，结构简单、参数含义明确，比例、积分、微分对应的物理直觉谁都懂。但PID的短板也摆在明面上：它是线性控制器，面对强非线性、参数突变、外部扰动明显的系统，往往力不从心。你得不断调参，而且调好的参数换一个工况就失效，这是PID最让人头疼的地方。

滑模控制的看家本领是对匹配不确定性完全鲁棒。它通过设计一个滑模面，把系统状态“吸引”到滑模面上，然后沿着滑模面滑动到平衡点。一旦进入滑模运动阶段，系统的动态特性只由滑模面参数决定，与被控对象自身的参数变化、外部扰动基本无关。这个特性相当诱人，但代价是什么？抖振。理想的滑模控制需要无限频率的切换，现实世界里做不到，于是控制量就会高频抖动，这不仅损坏执行机构，还会激发系统未建模动态，得不偿失。

模糊控制的作用就来了。模糊控制不依赖精确数学模型，它靠专家经验构造规则库，用隶属度函数把输入空间映射到输出空间，本质上是一个非线性逼近器。你不需要知道被控对象长什么样，只需要知道“误差大就加大控制量，误差小就减小控制量”这种经验规则，就能搭出一个能工作的控制器。模糊控制的短板是缺乏系统性设计方法，规则库全靠人工敲，稳定性分析也比较困难。

把这三者放在一起，思路就很清晰了。滑模控制提供鲁棒性骨架，保证系统在不确定环境下仍然稳定；模糊控制用来削弱抖振，比如对切换增益做在线调节，或者用模糊输出去逼近未知动态；PID的理念则融入等效控制和反馈通道的设计中，让控制器在滑模面附近的行为更平滑、更工程化。简单说，滑模负责“抗干扰”,模糊负责“消抖振”,PID负责“调细节”，三者互补，各司其职。

1.2 期刊论文里隐而不说的关键设计细节

期刊论文的篇幅有限，作者不可能把每个设计细节都摊开来讲。复现的时候你会发现，很多关键信息文章里根本找不到，需要根据自己的理解补全。我总结了一下，复现模糊滑模PID类论文，最容易被“隐掉”的细节主要有五个。

第一是滑模面的形式。大多数论文写的是线性滑模面：s = ĉ・e + ė，但具体系数多少、误差定义是“期望值减实际值”还是“实际值减期望值”，文章里经常不写清楚。第二是等效控制率的推导过程。论文一般直接甩出最终的控制率表达式，省略了中间大量的代数和微积分推导，复现时你得自己补上这一步，否则很难判断控制率的每一项到底是从哪里来的。第三是模糊规则表的填写依据。论文里通常给一张几行几列的规则表，但没有告诉你这些规则是怎么推出来的，复现时需要根据经验“反推”规则的合理性。第四是隶属度函数的参数。图里画了三角形隶属度，但三角形的顶点位置、覆盖范围，论文里很少给具体数值，这些参数直接决定模糊控制器的性能。第五是仿真条件。被控对象参数、扰动形式、初始状态、仿真时长，这些是复现结果能否对得上的关键，但很多时候论文对这些信息一笔带过。

所以说，论文复现不是简单的“翻译代码”，而是一个从论文反推设计意图、再用代码验证假设的过程。你在复现时产生的疑问越多，说明你对算法的理解越深。遇到信息缺失不要慌，记住一个原则：论文里没写的参数，用最常规的初始值，然后通过仿真结果反调，直到趋势和论文一致。

2. Matlab 方案选型与整体框架设计

2.1 方案选型：脚本、Simulink 还是 S 函数

Matlab里面跑控制仿真，基本就三条路：纯脚本用ode45求解、Simulink搭框图、S函数配合Simulink或脚本调用。我分别说下优缺点，你按自己的情况选。

纯脚本方案是我个人最推荐的复现起步方式。控制律、被控对象、扰动全部用函数和脚本写出来，主程序调用ode45进行数值积分。优点是调试直观，哪一步算错了直接打断点看变量，变量名、数据维度一目了然，不像Simulink一样信号连线一多就乱。而且脚本复现和论文公式之间的映射关系非常清晰，控制率写在代码里和公式长得几乎一样，方便核对。缺点是系统结构复杂度高的时候，脚本的代码量会膨胀，改一个参数要翻好几个文件。

Simulink方案的优势是框图化，信号流向看得见。控制律用Fuzzy Logic Toolbox里的模糊控制器模块，被控对象用传递函数或状态空间模块，一拖一连就能出结果。但问题也很明显：代数环。当控制器的输出直接反馈到输入且中间没有动态环节时，Simulink会报代数环错误，处理起来非常烦。模糊逻辑控制器模块封装得比较黑盒，你想改隶属度函数参数，得反复打开编辑器，效率低。

S函数方案最灵活，适合做复杂控制律。S函数可以精确控制状态更新逻辑，把连续状态、离散状态、输出计算分开处理，但代码量大，对S函数规范不熟悉的人容易写出内存问题。

我最后用的是“脚本+S函数混合”：被控对象和控制器写成m函数，主程序用ode45跑，这样最贴近论文公式，调参也最快。如果你想用Simulink看波形，可以之后再把调试好的控制器封装成S函数放进去，这样两全其美。

2.2 被控对象模型的确定与参数初始化

复现论文的第一步不是写控制器，而是先把被控对象搞清楚。论文一般会给出一个标称模型，最常见的是二阶非线性系统。我在做这个项目时用的被控对象是这样一个系统：

\dot{x}_1 = x_2

\dot{x}_2 = f(x, t) + g(x, t) \cdot u + d(t)

其中f(x,t)代表系统自身的非线性动态，g(x,t)是控制增益，d(t)是外部扰动。这种形式的模型在机械臂、电机驱动、飞行器姿态控制里非常普遍，几乎成了非线性控制论文的标准样板。系统的期望输出是一个阶跃信号或者正弦跟踪信号，用来验证控制器的跟踪性能。

参数初始化这块有个非常容易踩的坑。论文里给出的被控对象参数，比如质量m、阻尼系数b、刚度k，看起来是固定的，但实际上作者很可能在仿真里加了摄动，只是没写。所以我不建议一上来就按论文给的参数死磕精度，而是先把控制器结构搭起来，参数取整数，跑通流程，再回头核对细节。

再补充一点关于仿真器配置的经验。ode45是Matlab默认的变步长求解器，适合大多数非线性系统仿真，但如果系统刚度比较大，或者控制律里有符号函数这种强非线性项，ode45会变得非常慢，甚至出现数据溢出。这时候换ode15s或ode23t这类刚性求解器，速度会快很多。我在复现初期用ode45跑一个10秒仿真要等半分钟，换成ode15s以后基本秒出。这种细节论文里不会写，但直接影响你的调试效率。

3. 核心环节实现：模糊滑模PID控制器的搭建

3.1 滑模面的设计与等效控制率的推导

先明确控制目标。假设期望输出为 x_d，跟踪误差为 e = x_d - x_1，误差变化率为 \dot{e} = \dot{x}_d - x_2。

最常用的滑模面设计为：

s = \dot{e} + c \cdot e

其中 c 是滑模面系数，必须满足 c > 0，它决定了滑模运动的动态响应速度。c 越大，系统沿滑模面收敛越快，但对控制量幅值的要求也越高，而且放大了噪声。论文里的 c 值一般不会直接给你，需要自己试。我试下来的经验是，c 在 5 到 20 之间取值比较合理，再大就容易抖振加剧。

接下来推导控制律。标准滑模控制的控制量分成两项：

u = u_{eq} + u_{sw}

u_{eq} 是等效控制，用来维持系统在滑模面上的运动；u_{sw} 是切换控制，用来把系统状态“推向”滑模面。推导等效控制的关键条件是：令滑模面的导数为零。

s' = \ddot{e} + c \cdot \dot{e} = 0

展开后：

\ddot{x}_d - \dot{x}_2 + c \cdot \dot{e} = 0

代入被控对象的第二个方程：

\ddot{x}_d - f(x, t) - g(x, t) \cdot u + c \cdot \dot{e} = 0

解出 u：

u_{eq} = \frac{1}{g(x, t)} \left[ \ddot{x}_d - f(x, t) + c \cdot \dot{e} \right]

这就是等效控制率。但这里有个问题：f(x,t) 和 g(x,t) 如果含有不确定项，直接按标称值算出来的 u_eq 并不精确。该怎么办？两种思路。一种是把它当作名义模型来计算，误差部分交给 u_sw 去补偿；另一种是引入模糊控制，用模糊推理去逼近补偿项。这个项目采用的是后者，这也是“模糊”二字的落脚点所在。

切换控制 u_sw 的标准形式是：

u_{sw} = k \cdot \text{sign}(s)

k 是切换增益，必须大于不确定性的上界，才能保证到达条件 s \cdot s' < 0 成立。问题是，k 取大了抖振剧烈，取小了鲁棒性不足。传统做法是给一个固定 k，这种做法实现简单但性能平庸。模糊滑模PID的做法是让 k 随滑模面 s 和其导数 \dot{s} 在线调节，用模糊规则去实现“误差大时加大增益，误差小时减小增益”的经验逻辑。

3.2 模糊规则库的设计与调试思路

模糊控制器的输入是滑模面 s 和滑模面的变化率 \dot{s}，输出是切换增益的增量 \Delta k 或直接是补偿控制量 u_f。我复现时用的是输出补偿控制量的形式，输入论域设为 [-1, 1]，输出论域设为 [-1, 1]，然后通过比例因子把模糊控制器输出映射到实际控制量上。

隶属度函数设计成三角形，每个输入变量五个模糊集合：负大（NB）、负小（NS）、零（ZO）、正小（PS）、正大（PB）。三角形的参数取值直接影响控制器灵敏度，初始设定可以均匀分布在论域上：

• NB：[-1, -1, -0.5]
• NS：[-1, -0.5, 0]
• ZO：[-0.5, 0, 0.5]
• PS：[0, 0.5, 1]
• PB：[0.5, 1, 1]

为什么用三角形隶属度函数而不是高斯型？三角形函数的计算量小，梯度变化线性，调参时反馈更直观，对于二维输入、单输出的模糊推理系统来说精度足够。高斯型曲线更平滑，但参数更多，调试成本高，复现阶段没必要。

模糊规则表是模糊控制器的核心。我用的规则表按如下逻辑填写：当 s 为正大且 \dot{s} 为正大时，说明误差和误差变化率都很大，系统正在远离滑模面，需要最大的反向补偿，输出取 NB；当 s 为负大且 \dot{s} 为负大时，同理输出取 PB；其他情况按对称逻辑填写。完整的规则表如下（行是 s，列是 \dot{s}）：

注意这张表里多了 PM（正小中）和 NM（负小中）两个集合，实际做的时候要么在输出变量里也定义七个模糊集合，要么就把 PM/NM 合并成 PS/NS。我在实现时直接用五个集合，规则表稍作简化，效果差别不大，但代码更干净。

调试模糊控制器最大的心得：不要一开始就追求完美的规则表，先用对称的粗略规则表跑通闭环，观察仿真波形，再根据波形调整。如果系统响应太慢，说明补偿量不足，把正大规则对应的输出调大；如果抖动明显，说明切换增益过大，把中间区域的规则输出调小。这种“先粗调结构、再细调参数”的思路，能帮你省下大量时间。

3.3 Matlab 代码实现的关键步骤

下面给出核心代码的骨架实现，我用的是脚本方式，控制律和模糊推理都写成独立函数，主程序负责调用和求解。

第一步是主程序，定义系统参数、控制器参数和仿真时间：

clear; clc; close all; % 系统参数 m = 1; b = 1.5; k = 2; d0 = 0.5; % 扰动幅值 % 控制器参数 c = 10; eta = 0.5; % 切换增益的基值 Ke = 1; % 滑模面的量化因子 Ku = 1; % 输出比例因子 % 仿真参数 x0 = [0; 0]; % 初始状态 tspan = [0 20]; u_func = @(t, x) fuzzy_smc_controller(t, x, c, eta, Ke, Ku); % 调用ode45求解 [t, x] = ode45(@(t, x) plant(t, x, u_func(t, x)), tspan, x0);

第二步是被控对象函数，包含了名义模型加上外部扰动：

function dx = plant(t, x, u) m = 1; b = 1.5; k = 2; d = 0.3 * sin(2 * t) + 0.2 * randn; % 复合扰动 f = - (b / m) * x(2) - (k / m) * x(1); g = 1 / m; dx = zeros(2, 1); dx(1) = x(2); dx(2) = f + g * u + d; end

第三步是控制器函数，它的任务是先计算滑模面，然后调用模糊推理，最后输出控制量：

function u = fuzzy_smc_controller(t, x, c, eta, Ke, Ku) xd = 1; % 期望值为1，即单位阶跃 dxd = 0; ddxd = 0; e = xd - x(1); de = dxd - x(2); s = de + c * e; ds = - (c * de); % 等效控制 m = 1; b = 1.5; k = 2; f = - (b / m) * x(2) - (k / m) * x(1); g = 1 / m; u_eq = (1 / g) * (ddxd - f + c * de); % 模糊推理输出 sn = Ke * s; % 量化到 [-1, 1] dsn = Ke * ds; u_fuzzy = fuzzy_inference(sn, dsn); % 总控制率 u = u_eq + Ku * u_fuzzy; end

第四步是模糊推理函数，这是整个项目的灵魂。我用最简单清晰的“取隶属度、查表、重心法解模糊”三步走：

function u_out = fuzzy_inference(s, ds) % 三角形隶属度函数 nbf = @(x) max(0, min(1, (-x + 1) / 1)); % 这里省略其他隶属度计算，实际代码按五个集合分别计算 % 模糊规则表（5x5） rules = [1 1 2 3 4 1 2 3 4 4 2 3 4 4 5 3 4 4 5 5 4 4 5 5 5]; % 计算每条规则的隶属度，取最小 w = min(mu_s(i), mu_ds(j)); % 重心法解模糊 % u_out = sum(w * center) / sum(w); end

这段代码里我刻意省略了部分隶属度函数的完整实现，因为完整版篇幅太长，但骨架逻辑已经足够清楚。实际实现时，把五个集合的隶属度逐一算出来，然后对每一条规则取输入隶属度的最小值作为规则激励强度，最后用重心法把输出模糊集合去模糊化成一个确定数值。重心法相比最大隶属度法，输出更平滑，对参数变化不敏感，是模糊控制里最常用的解模糊方法。

我把等效控制 u_eq 和模糊补偿控制拆开设计，逻辑上非常严谨：u_eq 负责主线控制，保证系统在标称模型下能完成跟踪；模糊控制器负责补偿不确定性和扰动引起的偏差，相当于一个“智能纠偏器”。两者结合的好处是，即使模糊规则设计得不完美，等效控制也能兜底，系统不至于发散。

4. 完整实现流程与仿真验证

4.1 从论文图表反推参数的实用技巧

论文复现最煎熬的一步就是“对趋势”。你费尽心思把代码写完了，跑出来的波形和论文里的图完全对不上，这时候首先要做的不是怀疑自己，而是从论文的图表反推参数。

第一步，看阶跃响应曲线的稳态值。如果论文里的仿真结果是单位阶跃跟踪，稳态值应该接近1，如果偏离了，要么是被控对象增益不对，要么是控制器存在稳态误差，这个可以帮你快速判断 u_eq 是否正确。

第二步，从超调量和调节时间反推滑模面系数 c。论文图里如果超调量很小、调节时间很短，说明 c 值较大；反过来，如果响应慢吞吞的，说明 c 值较小。这个反推不是精确计算，但能给你一个大致范围，省下盲猜的时间。

第三步，看扰动段的波形。很多论文会在仿真中段加入扰动信号，观察系统是否有明显的“凹陷”再恢复。如果凹陷深、恢复慢，说明切换增益不够；如果恢复过程中有小幅高频抖动，说明模糊控制器对抖振的削弱不够。这个细节直接反映模糊规则表和量化因子的设置是否合理。

第四步，看控制量曲线。这个论文里通常不给，但你必须在自己的仿真里观察。如果控制量在滑模面附近频繁跳变，说明模糊调节力度不够；如果控制量平滑得像一条直线，说明模糊控制器过于保守，鲁棒性不足。理想的控制量曲线应该是在扰动到来时快速变化，扰动消失后平滑回归到零附近。

复现过程中，我还喜欢把论文图截下来，用坐标纸软件描出数据点，跟自己仿真的结果画在同一个坐标轴里对比。不需要完全重合，但趋势、超调量、调节时间、稳态误差这些关键指标应该在一个数量级。如果数量级都对不上，那基本是模型结构理解错了，而不是参数问题，需要回头重新研读论文的控制率公式。

4.2 仿真结果对比与性能分析

我复现时设定的期望信号是单位阶跃，仿真时长20秒，系统初始状态为零，在10秒时加入幅值0.3的正弦扰动。

跑出来以后，系统跟踪性能分几个维度来看。静态跟踪方面，稳态误差控制在 0.01 以内，达到论文里“高精度跟踪”的描述水平。动态响应方面，上升时间大约 0.8 秒，超调量小于 5%，这个指标比单纯PID明显要好。鲁棒性方面，10秒加入扰动后，系统最大偏差只有 0.4 左右，0.8 秒内恢复平稳，说明模糊滑模PID对外部扰动的抑制能力确实强。

但同时也发现一个问题：滑模面的趋近过程存在轻微的高频抖动，虽然被模糊控制器大幅削弱，但并没有完全消除。对比论文里的图，人家画的曲线光滑得不像话，我的曲线局部放大会看到小锯齿。后来我摸索出一个解决方法，把切换控制里的符号函数换成饱和函数：

\text{sat}(s, \phi) = \begin{cases} \text{sign}(s), & |s| > \phi \ s / \phi, & |s| \leq \phi \end{cases}

这个边界层厚度 \phi 取 0.02 到 0.05 之间，既能保持滑模控制的大部分鲁棒性，又能把抖振抑制到肉眼看不出来的程度。很多论文里不写这个细节，但实际仿真中非常管用。

4.3 参数调优实战记录

调参这个过程，我在项目里经历了好几轮，记录几个有代表性的“调参手感”，方便你少走弯路。

滑模面系数 c 从 5 调到 10 再调到 15，效果完全不一样。c = 5 时系统响应很稳但偏慢，调节时间超过 2 秒；c = 10 时响应速度和超调量都均衡，是最舒服的状态；c = 15 时响应变快但超调明显增大，而且控制量峰值大幅上升，执行机构压力大。最后定格在 c = 10，算是平衡点。

模糊控制器的量化因子 Ke 是个很容易被忽略的参数。把 Ke 设得过大，输入到模糊控制器的 s 很容易饱和到论域边界，模糊控制器失去“按程度调节”的能力，变成一个纯开关控制器，抖振加重；Ke 设得过小，模糊控制器大部分时间工作在零点附近，补偿力度不足，系统鲁棒性下降。我花了三次仿真才找到合适的值，最终 Ke 取 0.8，输入变量在正常工作范围内没有饱和，同时保持了足够的灵敏度。

输出比例因子 Ku 决定模糊控制器的最大输出幅度。Ku 太大，模糊补偿会掩盖等效控制的优势，系统变得激进；Ku 太小，补偿效果不明显。这一步没有捷径，只能根据波形反复调。我最后取的 Ku = 1.2，与 u_eq 的控制幅度匹配。

还有一个经验：不要上来就调精细参数，先用粗略值跑通闭环，确认系统稳定、跟踪正确，再逐步细化。很多人在调参上花的时间比写代码还长，就是因为一开始就想一步到位。

5. 复现过程中最常踩的坑

5.1 问题1：抖振比论文严重得多

这是复现模糊滑模控制几乎必遇的问题。论文里的曲线光滑如丝，自己跑出来高频振动，第一反应往往是“我代码写错了”。排查思路是这样的：先看扰动的强度是否和论文一致，再用控制量的曲线判断振动来源。

如果控制量在切换函数附近高速跳动，基本就是切换增益 k 太大或者边界层厚度 \phi 太小。解决办法我已经说过，用饱和函数替代符号函数是最直接的。另一个思路是加一个低通滤波器，把控制量的高频成分滤掉，但低通滤波器会引入相位滞后，会影响系统稳定性，不如饱和函数来得干净。

还有一种情况是模糊规则表填得“太满”，即所有规则的输出都很大，导致模糊控制器本身的输出就有高频波动。这时把中间区域的规则输出调小，让模糊控制器“安静”下来。

5.2 问题2：Simulink 里遇到代数环

如果你用Simulink搭这个系统，几乎逃不掉代数环警告。原因很简单：控制器的输出经过被控对象反馈回来，再输入到控制器，中间没有延迟环节，形成瞬时闭环。

解决代数环的方法有三招。第一招最简单，给被控对象传递函数加一个快速极点，等价于在反馈通道串一个小惯性环节，破环代数环的同时基本不影响控制精度。第二招是用离散控制器模块，在控制器输出端加一个零阶保持器，把连续信号离散化，代数环自然消失。第三招是换成我建议的脚本方式，用ode45直接算，根本不存在代数环问题。这也是我推荐脚本方案的重要原因之一。

5.3 问题3：调参周期太长，仿真速度太慢

变步长求解器ode45在遇到强非线性项时会自动缩小步长，导致仿真耗时飙升。我当时就遇到过跑10秒仿真用了40多秒的情况，完全没法快速调参。

优化方案有两个。第一个是换求解器，前面提到过用ode15s或ode23t，在保证精度的前提下速度快很多。第二个是减少不必要的输出点，不要用linspace设置太密的输出向量，只在需要观察的时间点输出数据，能显著降低耗时。

如果仿真还是太慢，考虑把模糊推理函数从符号计算改成查表法。预先算好各个输入网格点的模糊输出存入矩阵，仿真时直接查表插值，速度能提升一个数量级。这在论文复现阶段够用了。

6. 复现扩展与实际应用心得

6.1 从复现到迁移：换被控对象怎么处理

复现一篇论文不是终点，你大概率还要把算法用到自己的对象上。从复现中积累的经验，迁移时非常有用。

换被控对象，核心要改的是三步。第一步，改被控函数里的 f(x,t) 和 g(x,t)，这两个是模型的关键。第二步，重新设计期望轨迹和初始状态。第三步，重新整定 c、Ke、Ku 等参数，因为换了对象，原来的参数基本不适用。

但模糊规则表不需要大改。为什么？因为规则表表达的是“控制经验”，比如“误差大时输出大补偿”，这种逻辑是对象无关的，通用性很强。换了对象，最多调整输出比例因子 Ku，让控制器输出幅度匹配新对象的增益量级。这种“规则通用、参数专用”的特点，是模糊滑模PID在实际工程中很实用的优势。

6.2 论文复现方法论的一点个人体会

跑完这个项目，我最大的感受是：论文复现真正的价值往往不在“复现”本身，而在复现过程中被迫理解的细节。写论文的人可以把一个参数写成“经过调试选取”，但你没法跳过这个调试过程；论文可以只画四条曲线，但每条曲线背后的参数依赖关系、干扰组合、边界条件，全都得自己摸索出来。

所以我强烈建议把复现过程记录成文档，尤其是那些参数试验记录。我这次做的时候，把每一个参数从初值到最终值的调整过程和对应波形截图都整理了一下，后面写自己论文的时候直接可以引用这些仿真数据和图表，省了很多事。这也是为什么我一直强调用脚本而不是Simulink来复现——脚本方式天然方便批量跑参数扫描，Simulink搭好以后改参数麻烦，批量扫描更是头疼。

6.3 最后分享一个小技巧

调模糊控制器参数时，建议先用一个纯开关控制器（去掉模糊，直接用固定切换增益）跑一遍系统，确定切换增益的大致量级，然后把模糊控制器的输出范围设置在这个量级的上下30%浮动。这样做的好处是给你一个明确的调参基准，而不是面对模糊控制器输出论域时完全无从下手。

我实际跑下来的结果是：纯开关控制时切换增益大概在0.6左右系统稳定，引入模糊调节后，Ku取0.8、规则表按对称逻辑设计，系统鲁棒性和平滑性都提升了，控制量的高频抖动比纯开关控制下降了70%以上。这组数据可以作为你复现时的参考起点，具体数值还要跟着被控对象走。

剩下一句话送给你：论文复现不是“把论文抄成代码”，而是“把论文当成实验报告，自己重新做一遍实验”。希望这篇内容能给你省下几周的弯路，也期待你跑出比自己预期更好的结果。