不确定时滞系统的迭代学习控制算法(Ⅰ)

讨论了不确定时滞系统迭代学习控制的鲁棒收敛性．在存在干扰和初始偏移的情形下，给出了较弱的收敛性充分条件．仿真结果表明，迭代学习控制算法对于抑制初始点偏移和周期干扰的影响是有效的．     

不确定时滞系统的迭代学习控制算法（Ⅱ）

针对不确定时滞系统讨论了ＰＤ型迭代学习控制算法．对于干扰和初始状态函数渐近重复的情形,给出了这类系统的极限轨迹和迭代输出收敛于该极限轨迹的较弱的充分条件．仿真结果表明,这种算法对于抑制周期干扰和初始偏移的影响是有效的．     

一类非线性迭代学习控制系统的鲁棒收敛性

讨论了对于一类非线性动态系统施加高阶Ｄ型迭代学习算法时构成的迭代学习控制系统的鲁棒收敛性．证明了当系统初始状态逐渐固定在靠近期望初态的某一点上时，系统控制、状态、输出会收敛到相应期望轨迹的邻域内．同时，证明了在渐近理想重复初始条件下的算法收敛性．仿真结果表明，开闭环配合的学习律是克服初态偏移的一种有效途径     

迭代学习控制系统：收敛性与鲁棒性（Ⅰ）

讨论了在初态偏差、状态漂移和量测噪音同时存在的干扰环境中运行的迭代学习控制系统的鲁棒性问题．针对复杂系统结构，给出了保证Ｐ－型和Ｄ－型学习律算法收敛性的干扰条件     

离散时变系统的自适应迭代学习控制

针对一类有限区间上重复运行的离散时变SISO系统,分别采用带饱和函数和死区修正的投影算法进行参数估计,提出自适应迭代学习控制方案.关键技术引理在分析离散自适应控制系统时起到了关键作用,文中把这一引理推广至迭代域,用于建立离散自适应迭代学习控制系统的稳定性和收敛性.理论证明,即使每次迭代存在初始偏差,跟踪误差沿着迭代轴仍能收敛于零,且闭环系统的所有信号有界;当存在外部扰动时,跟踪误差收敛于一邻域内,其半径为干扰的界.在直线伺服系统上的应用结果验证了所提出的学习控制方法的有效性.     

初态学习下非仿射非线性系统的迭代学习控制

针对非仿射非线性系统,提出初态学习律,并给出关于初态学习的收敛性充分条件.初态学习使得系统在每次迭代开始时,不严格要求其初态与期望初态重合或者固定于某一具体位置上,而是允许存在一定的定位偏差.利用压缩映射分析方法,推导出在初态学习下的开环学习律、闭环学习律、开闭环学习律的收敛性充分条件,证明了迭代学习控制系统关于初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.理论分析与数值仿真表明初态学习下迭代学习算法的有效性.     

非线性系统开闭环D型迭代学习算法的鲁棒性

研究了系统满足收敛条件时，具有开闭环D型迭代学习控制律的一类非线性系统在动态过程存在干扰的情况下控制算法的鲁棒性问题。理论分析表明，当系统动态过程扰动有界时，开闭环D型迭代学习控制算法是鲁棒的。当满足开闭环学习收敛条件时，控制误差收敛到期望值的某一个邻域，其大小与相邻两次迭代运行中这些干扰的大小有关，而与初始控制输入等无关，当干扰越小时，学习控制过程越接近于期望值。     

基于初态学习的非仿射非线性系统的开闭环PD型迭代学习控制

针对非仿射非线性系统,提出了新的学习控制算法,即初态未知情况下系统的输入和初态都需要进行学习的开闭环PD型迭代学习控制,并给出了该算法的收敛性充分条件.初态学习允许系统在每次迭代开始时有一定的定位误差,不严格要求其初态与期望初态重合或固定于某一具体位置上.该算法允许初态在收敛性条件范围内任意设置,从而保证了学习控制系统具有初始定位误差的鲁棒收敛性.依据此收敛性条件,可确定输入学习律及初态学习律的学习增益.利用压缩映射分析方法,证明了系统在任意初始状态下经过迭代后,其输出能够完全跟踪期望轨迹.该算法解决了初始值未知情况下的收敛性问题,且放宽了收敛条件,并通过仿真结果验证了所提算法的有效性.     

移动机器人的可变遗忘因子离散迭代学习控制

为了提高迭代学习控制方法在移动机器人轨迹跟踪问题中的收敛速度,提出了一种带有可变遗忘因子的离散迭代学习控制算法.该算法是在开闭环离散迭代学习控制律基础上,通过可变遗忘因子对上一次的控制量进行调节,并增加了带有可变遗忘因子的初始修正项.通过适当选取学习律中的初始控制输入,带遗忘因子的初始修正项可以避免迭代轨迹的大幅度摆动,从而可以使迭代学习的收敛速度得到显著提高.并利用范数理论对算法的收敛性进行了严格证明,得到了使算法收敛的范数形式的充分条件.最后通过仿真实验验证了所提算法的有效性.     

非正则线性系统闭环P型迭代学习控制算法

在文献[1]的基础上，用另一种方法推导出一个非正则线性系统的闭环P型迭代学习控制律收敛性条件，该条件使得非正则系统中闭环P型迭代学习算法收敛性条件更加完全，应用的范围更加广泛。开环与闭环两种方式的仿真结果验证了在该条件下算法的收敛性和正确性，以及闭环控制的有效性。     

工业过程稳态优化中的PID型迭代学习控制

给出一种ＰＩＤ型迭代学习算法，对工业过程稳态优化中的动态施行迭代学习控制，加快了动态响应，提高了控制效果。从理论上分析了算法的收敛性，并给出数字仿真结果。     

快速路交通流常微分模型的PD型迭代学习控制

针对快速路交通常微分模型,利用快速路交通流具有明显的重复性和周期性等特点,首先,设计了一种快速路交通流常微分模型的入口匝道交通流PD型迭代学习控制算法,并建立了迭代学习误差的收敛性条件;其次,利用λ范数和Bellman-Gronwall引理证明了算法的收敛性.最后,通过数值仿真结果进一步说明了提出的迭代学习控制方法的有效性.     

多维优化问题的一个自适应两点步长算法

给出了克服牛顿算法缺陷的自适应两点步长的算法。利用拟牛顿性质得到包含前两个迭代点有关信息的迭代步长因子解析表达式，无论初始迭代点与最优解之间是否存在Hesse矩阵不正定点、鞍点和广义拐点，迭代点列自动快速逼近最优解，该算法具有自适应性且仍具有二阶收敛速度；证明了算法的收敛性，并给出了算例，利用Mathematics数学软件验证了算法的有效性。     

一类离散非线性系统开闭环P型迭代学习控制收敛的充要条件

收敛性是迭代学习控制的重要研究内容之一,针对一类参数未知的离用非线性系统,研究了其开闭环Ｐ型迭代学习控制的收敛性问题,给出了收敛的充要条件,结果表明,开闭环Ｐ型迭代控制的收敛条件与描述系统的状态方程具体形式无关。     

基于广义跟踪误差的一阶非线性时滞系统自适应迭代学习控制

针对一类具有未知时变时滞的一阶非线性参数化系统,提出一种自适应迭代学习控制方案。通过利用边界层函数构造广义跟踪误差,消除了迭代学习控制初始精确定位的限制。为避免因引入边界层函数而产生的奇异性问题,引入双曲正切函数,并根据双曲正切函数的性质,通过构造Lyapunov krasovskii型复合能量函数证明了所有信号的有界性和跟踪误差的收敛性。仿真算例验证了所提出方案的有效性。     

D型闭环迭代学习控制的2—D模型及收敛性分析

本将2-D线性连续-离散系统理论应用于连续线性迭代学习控制系统中，给出能很好反映迭代学习控制过程的数学模型-2-D线性连续-离散系统Roessor模型。在2-D系统理论上证明了D型闭环迭代学习控制律的收敛性。根据该理论设计的闭环迭代学习控制器，受到的限制较小。     

扫描光刻系统的分段迭代学习控制策略

结合扫描光刻系统的曝光特点,提出一种分段迭代学习控制方法.该方法继承了非因果迭代学习律充分学习的特点.为改善动态跟踪性能,在加速过程段对前一迭代周期的误差信息进行非因果学习,以保证其沿迭代轴的快速收敛性.为克服非因果迭代学习律盲目学习的缺点,在匀速曝光段不对误差信息进行非因果学习,以保证系统的曝光性能不发生恶化,并改善系统在时间轴的瞬态性能.此外,对该方法的收敛性进行了分析和证明,并结合实例,验证了方法的有效性.     

高超声速飞行器滑模自适应迭代学习控制系统设计

针对高超声速飞行器再入过程中的强耦合和干扰所带来的非匹配不确定控制问题,提出一种新型自适应迭代学习控制系统的设计方法。研究结合采用先进控制方法与迭代学习控制策略。首先给出面向控制的高超声速飞行器姿态模型。然后针对一类非线性系统,提出一种结合滑模控制的新型迭代学习控制系统设计方法,并将其应用到所提出的面向控制的姿态模型。最后应用Lyapunov泛函来证明闭环系统跟踪误差的收敛性和变量的有界性。仿真展示所提方法能使飞行器快速稳定地跟踪指令,对比传统滑模控制说明本方法具有针对气动不确定项和干扰项的强鲁棒性。     

基于迭代学习控制的原子力显微镜成像

原子力显微镜（AFM）在成像过程中要求纳米级的定位精度,利用压电陶瓷扫描器能满足要求。该文针对压电陶瓷的非线性及外部环境干扰带来的不利影响,设计一种基于迭代学习算法的AFM扫描成像控制器。通过将水平平面内的扫描运动转换为路径跟踪控制问题,在跟踪过程中对前一迭代周期的误差信息进行非因果学习,保证输出沿迭代轴的快速收敛性,以获得理想的跟踪性能。路径跟踪仿真和实际系统成像实验表明该算法可以有效改善系统非线性和外部环境干扰带来的不利影响,显著提高原子力显微镜的成像质量。     

工业过程稳态优化中的PD型迭代学习控制

论述在工业过程的稳态优化中，施行迭代学习控制的思想方法，给出了一种ＰＤ型迭代学习算法，分析了算法收敛性，数字仿真结果表明这种控制方法对抑制超调，加快动态响应，减小优化过程对工业生产过程的影响是行之有效的。