基于精确线性化的MIMO双线性系统预测函数控制

针对典型多输入多输出双线性系统, 提出了基于非线性过程精确反馈解耦线性化的预测函数控制方法这是一种分层的控制策略, 首先设计一个静态的非线性状态反馈, 使得闭环系统是输入输出解耦和线性的;然后设计一组单输入单输出预测函数控制器, 下层为上层预测函数控制提供一组单输入单输出模型, 而上层预测函数控制以其固有的鲁棒性来补偿参数变化和解耦线性化的近似性, 并以纸机加压网前箱为例进行了仿真实验, 结果是令人满意的.     

基于T—S模糊模型的多变量预测控制

提出一种基于T-S模糊模型的多输入多输出预测控制策略.T-S模糊模型用于描述对象的非线性动态特性,模糊规则将非线性系统划分为多个局部子线性模型.为提高预测控制性能,采用多步线性化模型构成多步预报器,从而将预测控制中的非线性优化问题转化为一个线性二次寻优问题.串接贮槽液位控制系统的仿真结果表明,多步线性化模型预测控制性能优于单步线性化模型预测控制性能.     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题。提出将模糊模型用于描述对象的非线性动态特性。通过将模糊模型的输出反馈回来作为模型输入，从而构成了模糊多步预测器，采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

基于最优保留遗传算法的非线性模糊预测控制

针对传统的模型预测控制不能很好解决具有严重非线性、不确定性的对象或过程的控制问题，提出将模糊模型用于描述对象的非线性动态特性，通过将模糊模型的输出反馈作为模型输入，从而构成了模糊多步预测器。采用一种收敛精度高、速度快的具有最优保留特性遗传算法(EGA)，依据模型预测输出在线滚动求解控制律的非线性预测控制算法。仿真结果表明该算法对一类非线性系统具有较快的响应速度和较强的抗干扰能力。     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于并行支持向量机的多变量非线性模型预测控制

提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法．首先，通过考虑输入、输出间的耦合，建立基于并行支持向量机的多步预测模型；然后，将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正策略，得到最优控制律．连续搅拌槽式反应器（CSTR）的控制仿真结果表明,该算法的性能优于基于并行神经网络的非线性模型预测控制和基于集成模型的非线性模型预测控制．     

一种基于Wiener模型的非线性预测控制算法

针对一类Wiener模型描述的非线性系统,提出了一种改进的非线性预测控制算法.该算法利用Laguerre函数描述Wiener模型动态线性部分的控制信号，将预测控制中在预测时域内优化求解未来控制输入序列转化为优化求解一组无记忆的Laguerre系数,以减少优化所需的计算量.利用静态模糊模型来逼近Wiener模型的非线性部分,将非线性预测控制优化问题转化为线性预测控制优化问题,克服了求控制输入时解非线性方程的困难,进而推导出了预测控制输入的解析式.CSTR过程的仿真结果表明了本文算法的有效性和可行性.     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

电厂锅炉除氧器系统的解耦广义预测控制研究

由于除氧器具有非线性、大迟延、强耦合和模型时变的特性,传统的PID调节器难以使除氧控制系统达到理想的控制效果。为了使除氧器水位和冷凝泵出口压力的控制取得满意的效果,采用解耦广义预测控制方法。该算法首先利用预测模型得到系统未来时刻的输出,然后将设定输出值和预测值间的预测误差变化率作为自适应控制器的输入,控制器利用最小二乘算法推理得到控制输出,并在系统中增加一个相互耦合项,来调整原有的自适应控制规律,获取未知参数信息并有效地抑制强耦合造成的控制量波动。通过仿真表明,该算法计算简单、鲁棒性较强、控制品质较高,运用此算法的该除氧系统比常规系统具有更优越的性能。     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统，利用非线性激励函数的局部线性表示，提出一种可用于非线性过程的神经网络多步预测控制方法，并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分，对复杂的非线性多步预测方程给出了直观而有效的线性形式，并用线性预测控制方法求得控制律，避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

Bilinear black-box identification and MPC of the activated sludge process

In this paper the activated sludge process, which is a process for biological nitrogen removal in municipal wastewater treatment plants, is modeled as a discrete-time bilinear system by application of a recursive prediction error method system identification technique. A novel bilinear model predictive control algorithm is also derived and applied on a simulation model of the activated sludge process. For discrete-time bilinear systems, a quadratic cost on the predicted outputs and inputs, together with input/state constraints, results in a nonlinear non-convex optimization problem. An investigation is performed where the suggested control algorithm is compared with a linear counterpart. The results reveals that even though the identified bilinear black-box model describes the dynamics of the activated sludge process better than linear black-box models, bilinear model predictive control only gives moderate improvements of the control performance compared to linear model predictive control laws.     

分片线性逼近及其在预测控制中的应用

介绍了分片线性逼近的相关理论并将其应用于预测控制。自适应链接超平面模型(AHH)是一种具有应用潜力的分片线性模型。采用AHH模型对被控制系统进行建模,由于AHH模型的辨识算法是自适应的,整个过程简单易实现。随后,在线解一个开环优化问题得到最优控制序列并应用滚动优化控制策略对系统进行控制。并且证明此开环优化问题实质上可以看成一系列子问题,每个子问题都是二次规划问题,因此,全局最优解的存在性得以保证。对于实际问题,提出了一个下降算法用以搜索局部最优解,仿真结果表明,基于AHH模型的预测控制具有一定的应用前景。     

Bridging the gap between the linear and nonlinear predictive control: Adaptations for efficient building climate control

The linear model predictive control which is frequently used for building climate control benefits from the fact that the resulting optimization task is convex (thus easily and quickly solvable). On the other hand, the nonlinear model predictive control enables the use of a more detailed nonlinear model and it takes advantage of the fact that it addresses the optimization task more directly, however, it requires a more computationally complex algorithm for solving the non-convex optimization problem. In this paper, the gap between the linear and the nonlinear one is bridged by introducing a predictive controller with linear time-dependent model. Making use of linear time-dependent model of the building, the newly proposed controller obtains predictions which are closer to reality than those of linear time invariant model, however, the computational complexity is still kept low since the optimization task remains convex. The concept of linear time-dependent predictive controller is verified on a set of numerical experiments performed using a high fidelity model created in a building simulation environment and compared to the previously mentioned alternatives. Furthermore, the model for the nonlinear variant is identified using an adaptation of the existing model predictive control relevant identification method and the optimization algorithm for the nonlinear predictive controller is adapted such that it can handle also restrictions on discrete-valued nature of the manipulated variables. The presented comparisons show that the current adaptations lead to more efficient building climate control.     

微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

基于双线性模型的连续时间非线性最优控制的DISOPE 算法

对连续时间非线性最优控制问题出了基于双线性二次型问题的ＤＩＳＯＰＥ算法,在模型与实际存在差异的情况下,通过求解修正的基于双线性模型的优化总理２和参数估计问题,给出了实际问题的最优解,提出了求解非齐次双线性二次型问题的迭代算法,分析了该算法的收敛性,仿真结果表明该算法比现有算法有更好的收敛特性。     

Design of an RMPC with a time‐varying terminal constraint set for tracking problem

This paper presents a robust model predictive control algorithm with a time‐varying terminal constraint set for systems with model uncertainty and input constraints. In this algorithm, the nonlinear system is approximated by a linear model where the approximation error is considered as an unstructured uncertainty that can be represented by a Lipschitz nonlinear function. A continuum of terminal constraint sets is constructed off‐line, and robust stability is achieved on‐line by using a variable control horizon. This approach significantly reduces the computational complexity. The proposed robust model predictive controller with a terminal constraint set is used in tracking set‐points for nonlinear systems. The effectiveness of the proposed method is illustrated with a numerical example. Copyright © 2015 John Wiley & Sons, Ltd.     

基于SVM和PSO的新型非线性模型预测控制

对于具有强非线性或复杂非线性约束的系统,通过非线性模型的线性化和二次规划优化实现非线性模型预测控制,难以取得满意的结果。提出了一种基于支持向量机模型和粒子群优化的非线性模型预测控制系统的算法。仿真实例表明了支持向量机模型的泛化能力和粒子群优化的寻优速度及能力,证明了将其运用于非线性模型预测控制中的可行性。     

基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。