1.一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：包括以下步骤：S1.对移动机器人的控制系统进行分析，确定输入输出量、模糊子集：移动机器人运动学方程为：

其中，[x y θ]为机器人位姿，v、w为线速度和角速度；vref、wref为理想输入，设位置指令T为(xm,ym,θm)，y′＝[x y θ]为实际输出，定义位姿误差函数为e(x,y,θ)，误差变化率函数T为ec(x,y,θ)，控制量u＝[vref wref]；

根据输入输出变量的论域且考虑控制灵敏度和偏差大小，将状态量模糊集分为7级,选取e、ec、u的模糊论域，并将模糊集均分为：{NB、NM、NS、ZO、PS、PM、PB}；

S2.基于NSGA‑II模糊逻辑推理对机器人控制系统进行优化：根据模糊控制器的控制目标e(x,y,θ)→0，ec(x,y,θ)→0；

将x,y,θ归一化处理即m(x,y,θ)，则控制目标变为e(m)→0，ec(m)→0，定义模糊推理函数为f(m)＝min(e(m),ec(m))，控制目的是为每一次输出变量y′匹配误差收敛最快的状态量m；限制条件为各变量的论域。

2.根据权利要求1所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S2包括以下子步骤：S201.准备输入数据：根据经验数据集及状态量论域产生状态量m的初始化种群；

S202.进行快速非支配排序；

S203.对状态变量进行选择、交叉、变异操作生成子一代m1；

S204.利用精英保留策略再次进化生成子二代m2,并将子父代合并再次进行快速非支配排序；

S205.计算拥挤度选择合适个体组成新父代，进行多次迭代得到目标函数最优解集；

S206.选择每个目标函数的权重，最终确定目标函数的最优解。

3.根据权利要求2所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S202包括：假设种群m的大小为P,利用Pareto等级划分原理将种群划分；Pareto等级划分：在一组解中，非支配解Pareto等级定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，得该解集合中所有解的Pareto等级。

4.根据权利要求2所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S203中，选择操作选用二进制锦标赛法，交叉操作选用模拟二进制单点交叉，变异操作选用多项式变异；

二进制锦标赛法：从种群中随机选择2个体，个体被选择的概率相同，根据每个个体的适应度值，选择其中适应度值最好的个体进入下一代种群；重复此操作，重复次数为种群的大小，直到新的种群规模达到原来的种群规模；

选适应度函数为三角形隶属函数：

式中，参数a和c确定三角形的“脚”，参数b确定三角形“峰”；

模拟二进制单点交叉：

其中，

uj∈U(0,1)，μ＞0为分布指数；

多项式变异：

x1j(t)＝x1j(t)+Δj

其中，

且0≤η≤1。

5.根据权利要求2所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S204中，精英保留策略包括：当前种群中适应度最高的个体不参与交叉运算和变异运算，而是用它来替换掉本代群体中经过交叉、变异的遗传操作后所产生的适应度最低的个体。

6.根据权利要求3所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S205包括：为了使得到的解在目标空间中更加均匀，引入拥挤度nd，对于每个目标函数的维度,找出种群中离得最近的较大值和最近的较小值：则x的拥挤距离为,

位于目标函数空间极值处的拥挤距离为正无穷；

令参数nd＝0；

每个目标函数fi，根据目标函数对该等级的个体进行排序，记 为个体目标函数值的最大值， 为个体目标函数值的最小值；

计算 其中fm(i+1)是该个体排序后一位的目标函数值。

7.根据权利要求2所述的一种基于NSGA‑II模糊逻辑推理的机器人控制系统优化方法，其特征在于：所述步骤S206包括：引入权重系数α、β，α+β＝1，根据目标函数e(m)和ec(m)的重要程度设置α、β的值，得出使目标函数e(m)→0，ec(m)→0的最优状态变量解m(x,y,θ)。