自适应密集预测的模型算法控制

本文中提出了一种新的预测控制策略:在一个模型采样周期内(本文中定义)进行数次预测控制。     

眼镜脚套的参数化模型及折弯算法

针对眼镜脚套自动折弯这一问题,根据特征造型的基本原理,分析了眼镜脚套的基本结构和特征表示,采用CSG定义了数据结构,并以此为基础,建立了脚套参数化模型和折弯算法,为眼镜的计算机辅助设计提供了理论和技术基础。     

讲座：预测控制：第三讲 模型算法控制

讲座：预测控制──第三讲　模型算法控制电子科技大学（成都）周云钟模型算法控制是７０年代后期发展起来的一种预测控制算法，在热工和化工等过程控制领域获得了广泛应用，并取得了巨大成功。１预测模型模型算法控制（ＭＡＣ）适用于渐近稳定的线性对象。测定了此类对象...     

基于连续映射小脑模型的广义预测控制快速算法

文中把改进后的小脑模型（ＣＭＡＣ）应用于广义预测控制（ＧＰＣ）算法中，避免了该算法需实时进行的复杂计算，本文的方法对ＧＰＣ在实际中的应用有重要的意义。     

广义预测控制的直接算法

采用三个辨识器分别辨识开环系统、闭环系统和控制器的参数,利用开环系统参数计算预测输出和参考轨迹,通过辨识闭环系统参数得到广义输出,用于辨识控制器的参数,并给出一种广义预测控制的直接算法。仿真结果表明该算法是有效可行的。     

基于特征值的管板参数化绘图算法的设计与实现

针对化工设备非标准部件管板在AutoCAD 2010环境下手工进行布管设计的复杂性,提出一种基于特征值的参数化绘图算法,同时实现对话框的设计,达到管板的自动化布管目的,极大程度的提高了绘图效率。     

加权模型预测控制（WMPC）

针对参数有界系统，将加权模型引入预测控制算法，改进了原算法对模型处理的不足，从而增强了控制系统的鲁棒性，改善了控制性能。仿真结果表明了该方法的有效性。     

基于SolidWorks的齿轮参数化设计及实现

SolidWorks由于其强大的三维设计功能而在工业三维模型设计中有着广泛的应用。本文以SolidWorks二次开发为基础,采用参数化程序设计的方法,详细介绍了SolidWorks中工业直齿轮参数化绘制的设计方法与技巧。讨论了齿廓渐开线和齿根过渡曲线部分的参数化绘制方法,并编制了用户化参数设定接口,在SolidWorks中,通过宏调用,输入齿轮参数,自动绘制出了精确的直齿轮三维造型,避免了人工图板图样的绘制,提高了造型设计的自动化水平。     

模型预测控制在STD—V40工控机上的实现及应用

本文描述了一类基于差分方程模型的模型预测控制（ＭｏｄｅｌＰｒｅｄｉｃｔｉｖｅＣｏｎｔｒｏｌ，简称ＭＰＣ）的方法，给出了其详细算法，论述了ＭＰＣ算式在ＳＴＤ－Ｖ４０工控机上的实现步骤及方法。     

ARMAX模型的递推广义预测控制算法

本文提出一种基于ARMAX模型的递推广义预测控制算法,仿真研究表明这种算法对于系统阶和时滞变化等未建模动态是稳健的,本算法计算量小于Clarkc的GPC算法,并适用于GPC控制律中矩阵奇异的情况。     

GPC的预测状态空间形式及预测控制算法形式的统一

提出一种与ＭＡＣ，ＤＭＣ预测状态空间形式算法相似的ＧＰＣ预测状态空间形式的算法，使ＧＰＣ可以进行多步迭代预测，并讨论了ＧＰＣ预测状态空间算法可作为预测控制算法的一种统一形式。     

求解GPC中逆矩阵的递推算法

采用矩阵分解方法，推导出一种求解广义预测控制（GPC）中的逆矩阵的递推算法，使得计算量大为减少。     

一种前馈广义预测控制算法的研究及其仿真

研究了原油常压蒸馏塔的前馈广义预测控制算法 (GPC) ,克服了可测扰动对系统的作用。建立了以进料温度为可测扰动的常压塔常一线温度控制的CARIMA模型 ,实现了前馈GPC算法的仿真 ,验证了该算法对具有可测扰动的过程系统具有良好的控制作用 ,使系统具有良好的鲁棒性。     

输入输出双线性系统的递推辨识与实现算法

本文对输入输出双线性系统给出了一套完整的辨识方法。首先给出了输入输出方程的一般形式,并对于一类规范型给出了相应地输入输出差分方程。然后给出了确定系统的结构指标和参数估计的递推算法,它改进了由Katta和Nurges(1984)给出的方法,大大缩短了计量时间。另外,还给出了状态方法的简单实现算法。最后,给出了仿真例子说明算法的有效性。     

全排列的递归算法实现

递归算法的设计与实现是非常重要的内容,全排列是组合数学中最常见的问题。提出了基于递归算法并通过c语言编程实现了计算机解题,实例数据表明程序非常高效。     

一种广义预测控制的快速算法

针对传统广义预测控制算法的计算量大这一缺陷 ,通过对未来的控制序列的离线近似计算 ,而只精确求解当前时刻要实施的控制量 ,提出了一种广义预测控制的快速算法。该算法简单 ,不必求解Diophantine方程和逆矩阵 ,大大减小了在线计算量。仿真结果表明 ,该算法具有良好的控制性能 ,而且对控制作用具有较强的约束能力     

Model-based Predictive Control for Spatially-distributed Systems Using Dimensional Reduction Models

In this paper, a low-dimensional multiple-input and multiple-output (MIMO) model predictive control (MPC) configuration is presented for partial differential equation (PDE) unknown spatially-distributed systems (SDSs). First, the dimension reduction with principal component analysis (PCA) is used to transform the high-dimensional spatio-temporal data into a low-dimensional time domain. The MPC strategy is proposed based on the online correction low-dimensional models, where the state of the system at a previous time is used to correct the output of low-dimensional models. Sufficient conditions for closed-loop stability are presented and proven. Simulations demonstrate the accuracy and efficiency of the proposed methodologies.     

The scenario approach for Stochastic Model Predictive Control with bounds on closed-loop constraint violations

Many practical applications in control require that constraints on the inputs and states of the system are respected, while some performance criterion is optimized. In the presence of model uncertainties or disturbances, it is often sufficient to satisfy the state constraints for at least a prescribed share of the time, such as in building climate control or load mitigation for wind turbines. For such systems, this paper presents a new method of Scenario-Based Model Predictive Control (SCMPC). The basic idea is to optimize the control inputs over a finite horizon, subject to robust constraint satisfaction under a finite number of random scenarios of the uncertainty and/or disturbances. Previous SCMPC approaches have suffered from a substantial gap between the rate of constraint violations specified in the optimal control problem and that actually observed in closed-loop operation of the controlled system. This paper identifies the two theoretical explanations for this gap. First, accounting for the special structure of the optimal control problem leads to a substantial reduction of the problem dimension. Second, the probabilistic constraints have to be interpreted as average-in-time, rather than pointwise-in-time. Based on these insights, a novel SCMPC method can be devised for general linear systems with additive and multiplicative disturbances, for which the number of scenarios is significantly reduced. The presented method retains the essential advantages of the general SCMPC approach, namely a low computational complexity and the ability to handle arbitrary probability distributions. Moreover, the computational complexity can be adjusted by a sample-and-remove strategy.