多目标粒子群优化的非线性预测解耦策略北大核心CSCD

针对非线性预测控制中,系统建模和目标函数求解的问题,提出了一种基于粒子群优化的非线性预测控制策略(PSO-NPC)。首先,将时间因素引入到即时学习算法中,提高了基于即时算法的最小二乘支持向量机(LS-SVM)对非线性系统的建模精度。其次,针对单目标优化的常规PSO-NPC算法不足之处,将系统的第一步预测和最后一步预测输出作为主要优化目标,提出了多目标粒子群优化的非线性预测算法。最后,将目标函数中的误差权重作为粒子群优化的目标,根据系统耦合程度自适应调整误差权重,消除了系统回路之间耦合。仿真结果验证了改进算法的可行性和有效性。