蚁群算法滚动优化的LS-SVM预测控制研究

针对非线性过程预测控制的模型预测和滚动优化问题,提出一种蚁群算法滚动优化的最小二乘支持向量机(LS-SVM)新型预测控制器,该控制器以建模简单、精度高的LS-SVM作为预测模型,蚁群算法作为滚动优化策略,避免了滚动优化中复杂的梯度计算.仿真研究表明,该控制器具有良好的非线性控制效果.     

约束非线性系统构造性模型预测控制

研究了连续时间约束非线性系统模型预测控制设计. 利用控制 Lyapunov函数离线构造单变量可调预测控制器,再根据性能指标在线优化可调参数,其中该参数近似于闭环系统的,衰减率,同时,控制 Lyapunov函数保证了算法的可行性和闭环系统的稳定性 .最后通过数值仿真验证了该算法的有效性.

     

基于遗传算法的结晶器液位约束广义预测控制

针对实际连铸过程中结晶器液位控制须满足多种约束的问题,将一种基于遗传算法的有约束广义预测控制方法（ＧＣＧＰＣ）应用于结晶器液位控制．首先基于机理模型构造了有约束结晶器液位广义预测控制器;然后以遗传算法处理带约束的非线性优化问题,并以此作为滚动优化策略,求得最优控制律．仿真结果表明,在有效处理了约束的基础上,基于遗传算法的有约束广义预测控制效果优于ＰＩＤ 控制以及无约束广义预测控制．

     

多电机变频调速同步系统的多模型预测控制

针对多电机同步系统具有强烈的非线性和耦合性,难以建立精确数学模型并施加有效控制的缺陷,提出一种多电机多模型动态矩阵预测控制算法．在辨识不同工况子模型的基础上,设计各自的子控制器,并利用加权和形式构造全局控制器,在有约束的条件下,通过滚动优化的策略获得合适的控制增量．控制过程中,无需进行磁链观测．仿真结果验证了该算法的有效性．

     

基于在线支持向量回归的非线性模型预测控制方法

针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.

     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.

     

具有执行器饱和特性的不确定系统预测控制器设计

针对具有执行器饱和特征的不确定系统,提出了一种带有状态观测器的新型预测控制器设计方法.该方法在滚动优化的每一步,采用带有饱和特性的反馈控制结构得到一个最优控制律,使无穷时域性能指标最小.考虑在状态不完全已知的情况下,设计了带有状态观测器的预测控制器,并通过观测器参数调整使闭环系统渐近稳定.通过仿真实验验证了所设计控制器的有效性.

     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU 中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.

     

基于多面体不变集的离线鲁棒预测控制器综合

提出一种基于多面体不变集的离线鲁棒预测控制器综合算法.该算法离线确定一组反馈控制律及其对应的不变集,在线控制时根据当前状态所处的位置选择相应的控制律,不仅扩大了初始可行域,还能在一定程度上改善控制性能.仿真结果表明了采用多面体不变集的优越性.

     

基于运动预测的路径跟踪最优控制研究

针对自动导引车的路径跟踪,提出一种基于运动预测的线性二次型调节器优化模型.在速度约束下,从全局角度通过运动预测达到多步控制的最优协调性.在目标函数中只包含速度控制量,避免了加权矩阵选择的难题,算法的快速性由控制步数的最小化来保证.数字仿真和实验均表明,对于不同速度和路径偏差,算法均能产生可实现的最优控制序列,同步,快速和平稳地消除两种偏差,且计算量小,可满足嵌入式控制系统实时滚动优化的需求.

     

基于NEI 调节机制的非线性智能优化控制器

基于神经内分泌系统的整体调节机制,提出一种非线性优化智能控制器. 该控制器由提呈单元#抗体控制单元,主控单元,优化单元和辨识单元组成 .提呈单元根据免疫提呈机制对控制偏差进行动态处理,抗体控制单元通过调整控制实体的数量来消除控制偏差,主控单元调整提呈单元和抗体控制单元的控制作用,优化单元和辨识单元优化提呈单元和抗体控制单元的参数 .仿真结果表明,相对于传统的PID 控制,该智能控制器具有较好的控制性能.

     

交通诱导预测控制仿真研究

将动态交通分配实施过程纳入预测控制框架下以满足实时交通诱导的目的,提出一种交通诱导预测控制算法．该算法是在滚动时域基础上进行的,包括实时交通分配、交通流模拟运行及评价以及进化最佳路径３ 个重要环节．仿真结果表明,交通诱导预测控制是一种良好的计算机控制方法学,其优化过程预先考虑了目前交通分配对未来路网的影响,因而可有效地防范交通拥堵,实现考虑反馈的路网交通流实时分配优化,同时为出行者提供最佳路径．

     

基于控制系统直接方法的非线性系统预见控制器设计

针对一类非线性离散时间系统给出最优预见控制器设计方法. 首先运用非线性控制系统直接控制方法的思想, 将非线性反馈部分作为形式输入, 使得系统成为“形式上”的线性系统; 然后, 针对该线性系统, 利用最优预见控制的基本方法设计最优预见控制器; 最后, 利用形式输入与实际输入的关系得到非线性离散时间系统的最优预见控制器. 证明了如果形式线性系统满足一定的可镇定和可检测条件, 则闭环系统是渐近稳定的. 数值仿真结果表明了控制器的有效性.

     

一种PID模糊控制器(fuzzy PI + fuzzy ID型)

提出一种二维PID模糊控制器,其结构形式简称为fuzzy PI + fuzzy ID型.根据fuzzy PI 和fuzzy ID控制器的图解说明,确定该 fuzzy ID控制器的模糊控制规则的相似性.理论分析表明,该PID模糊控制器除具有常规PID性能外,还具有非线性等特点.仿真结果表明,与常规PID和fuzzy PI 控制相比性能更优.

     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.

     

基于微粒群算法的非线性系统建模方法研究

针对非线性系统多模型自适应控制中的模型覆盖问题,提出一种基于微粒群算法的多模型建模方法.首先,对非线性系统定义了基于混合逻辑模型的多模型描述,建立了非线性系统的混合线性多模型;然后,基于微粒群优化算法对非线性系统进行优化建模,在保证建模准确性的同时采用最少的子模型逼近非线性系统;最后,通过一个仿真算例表明了该建模方法的有效性.

     

基于最小二乘支持向量机的非线性广义预测控制

通过中值定理将一类非线性系统近似为时变线性系统,然后将提出的在线最小二乘支持向量机回归(OLS-SVMR)与广义预测控制相结合,提出了一种基于OLS-SVMR的自适应直接广义预测控制.利用OLS-SVMR直接设计预测控制器,并基于广义误差估计对控制器参数和广义误差估计中的未知向量进行自适应调整.理论证明了该方法可使广义误差估计值收敛到原点的一个小邻域内.仿真算例也验证了该方法的有效性.

     

电液位置伺服系统的多滑模神经网络控制

针对电液位置伺服系统存在的强非线性,控制增益未知和非匹配不确定性,通过引入神经网络和带饱和层的多滑模面,提出了一种多滑模神经网络控制方法.该方法运用神经网络的万能逼近特性和滑模控制优良的抗干扰特点,采用构造性方法设计控制器.运用光滑投影算法和积分李雅普诺夫技术,避免了参数漂移和控制器奇异问题.理论证明了系统跟踪误差收敛于任意设定的滑模面饱和层内.仿真实验表明了理论结果的有效性.

     

一类不确定时滞系统的非线性H∞控制

利用Lyapunov稳定性定理和线性矩阵不等式工具,讨论了一类不确定时滞系统的非线性H_∞控制问题.设计的非线性H_∞控制器可由线性矩阵不等式的解给出.进一步,建立一个具有线性矩阵不等式约束的凸优化问题,得到了不确定时滞系统的最优状态反馈H_∞控制律.仿真示例表明了该方法的可行性.

     

具有H∞ 跟踪性能的机器人自适应犘犐犇控制

针对非线性不确定机器人系统的轨迹跟踪控制问题,提出一种鲁棒自适应ＰＩＤ 控制算法．该控制器由主控制器和监督控制器组成．主控制器以常规ＰＩＤ 控制为基础,基于滑模控制思想设计ＰＩＤ 参数的自适应律,根据误差实时修正ＰＩＤ 参数．基于Ｌｙａｐｕｎｏｖ函数设计的监督控制器补偿自适应ＰＩＤ 控制器与理想控制器之间的差异,使系统具有设定的犎∞ 的跟踪性能．最后,两关节机器人的仿真实验结果表明了算法的有效性．