基于影响函数的迭代控制器2-D 分析与设计

从增益和收敛性分析两个角度讨论了迭代学习控制算法出现的问题,并在此基础上提出了具有影响函 数的新型迭代学习控制算法．该算法通过影响函数获得了以前时刻控制信息对当前控制量的影响,并构成非线性控 制器．在线性离散时变系统下进行了2-D 理论的收敛性分析,结果表明,其收敛条件与普通线性控制算法并无不同; 但是由于采用了更多的以往有效信息,所提算法收敛速度更快,控制性能更好．最后通过两个示例结果对该算法进 行了验证．     

迭代学习控制新进展

从学习算法、收敛性、鲁棒性、收敛速度、2-D模型以及实际应用等方面对迭代学习控制的最新进展作了比较详尽的总结, 最后讨论了迭代学习控制存在的问题及有前景的研究方向.     

时滞系统采样迭代学习控制

针对一类具有状态时滞的连续系统提出一种采样迭代学习控制算法。给出并证明了算法指数收敛的充分条件,该条件可保证系统输出无论在采样点或非采样点上,都能以指数收敛速率收敛至期望输出的一个与采样周期有关的误差范围内。仿真结果表明了该算法的有效性。     

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

具有扰动的非线性系统高阶迭代学习控制

迭代学习控制(ILC)利用系统的重复性不断改进控制性能.本文讨论一类具有扰动的非线性、时变系统高阶迭代学习控制算法及其迭代学习收敛的充分条件,并与D型迭代学习算法相比,讨论典型PD高阶ILC算法的收敛速度.仿真结果证实高阶ILC算法具有更快的收敛速度,并且当系统满足收敛条件、不确定项及输出扰动项有界时迭代学习收敛.     

受扰动2-D线性时变系统的迭代学习控制

利用2-D系统理论的Roesser模型,给出了受扰动的线性时变离散系统迭代学习控制(ILC)问题的一种解决方法.对系统所受的已知扰动,给出其学习律参数的选取范围以及仅经一次迭代就能实现输出完全跟踪期望轨迹的参数选取方法;对系统所受的未知扰动,首先对SISO系统提出其学习律存在的条件及参数选取方法,进而推广到MIMO系统中,提出MIMO系统学习律的参数选取方法.最后给出两个数值例子进一步说明所得结果的有效性.     

基于2D理论的点对点综合预测迭代学习控制

基于二维系统综合预测迭代学习控制(2D-IPILC)方法,结合轨迹更新策略研究点对点跟踪问题的控制算法.该算法既能够充分利用点对点问题在非跟踪点的自由度,也可以通过引入模型预测控制来提高时间轴的抗干扰能力.由于轨迹更新中引入时变参数,该2D模型为时变2D模型,因此分析状态转移矩阵特性和系统全响应,进而采用2D理论分析算法的收敛性和收敛条件,并分析参数对控制效果的影响.相比固定轨迹算法,该算法的收敛速度更快,稳定性比直接型优化算法更好.最后通过仿真实例验证了所提出算法的效果.     

存在未知时滞非线性系统的迭代变区间预测迭代学习控制

本文针对机理模型未知的非线性非仿射多入多出(multiple-input and multiple-output,MIMO)离散时间系统, 研究了系统同时存在未知时滞和迭代变化运行时间区间的预测迭代学习控制(predictive iterative learning control,PILC)问题. 首先利用未知时滞的上下界信息建立了一种新型的动态线性化(dynamic linearization,DL)模型, 理论分析表明该模型能够等价描述本文所考虑的存在未知时滞的未知非线性系统. 同时, 设计一种新的数据补偿机制用以处理由于系统运行时间区间迭代变化而引起的数据丢失问题. 基于所建立的DL模型和数据补偿机制, 设计了能够同时处理未知时滞和迭代变化运行时间区间的预测迭代学习控制方法. 通过严格的理论分析同时给出了建模误差和跟踪控制误差的收敛性质. 最后, 通过仿真进一步验证了所提方法的有效性.     

迭代函数系统IFS吸引子图像局部控制方法的研究

针对目前的IFS吸引子随机迭代算法在IFS吸引子图像控制中存在的不足，本文给出了两种IFS吸引子随机迭代算法的改进方法，其方法可以对IFS吸引子图像实现其局部细节与色彩的控制，并通过对树木的动态模拟及果树的生成等实例展示了所给控制方法的作用．     

执行器故障时变系统的PID迭代容错控制

对存在执行器故障的连续线性时变系统，给出了PID型迭代学习容错控制律的收敛条件。对连续时变故障系统设计了一种PID迭代学习容错控制律，在[λ]范数意义下给出了故障系统PID型迭代容错控制器收敛的充要条件；基于Schur补原理和不等式变换，将容错控制器收敛条件转换成线性矩阵不等式，当迭代学习收敛速度设定时，基于线性矩阵不等式能快速确定最优迭代控制增益，避免了迭代控制增益设置的盲目性。旋转控制系统的数值仿真，验证了PID迭代容错控制器优良的容错性能和跟踪性能。     

Monotonically convergent ILC systems designed using bounded real lemma

This article is devoted to iterative learning control (ILC) systems design for multiple-input multiple-output (MIMO), linear time-invariant (LTI) plants. With the bounded real lemma (BRL) applied, a linear matrix inequality (LMI) design approach is presented to develop sufficient conditions for the monotonic convergence of the ILC process. It is shown that regardless of a system relative degree, the convergence conditions can be expressed in terms of LMIs, and formulas can be derived for the learning gain matrices design. For ILC determined in this way, two illustrative examples are provided to verify its effectiveness and robustness against structured and polytopic-type uncertainties.     

时滞非线性系统的采样迭代学习控制

针对一类输入时滞非线性系统, 提出了一种采样迭代学习控制算法, 该算法不含跟踪误差的微分信号, 给出了学习算法收敛的充分条件, 当不存在初始误差、不确定扰动时, 算法在采样点处能实现对期望输出信号的完全跟踪, 否则, 跟踪误差一致有界, 仿真结果表明了该算法的有效性.     

Distributed optimal formation algorithm for multi-satellites system with time-varying performance function

ABSTRACT

This paper studies a fully distributed optimal formation flying problem for a multi-satellite system with a chief satellite and some deputy satellites, in order to seek the optimal formation via simple local information exchange. A distributed algorithm is proposed such that the satellites team performance is optimised in finite time while all of the satellites meet the formation constraint. To achieve the optimal flight, the performance functions for each deputy satellite that can describe the satellite's contribution to the task are introduced. Here, the performance functions can be time varying, which generally changes the problem from finding the fixed optimal point to tracking the optimal trajectory. Theoretical studies indicate that the proposed algorithm will optimise the satellites flight and all of the satellites can keep the desired communication distance. Finally, simulation examples are presented to show the validity of the theoretical results.     

基于泰勒级数的迭代学习算法

针对存在不确定扰动的线性时变系统的轨迹跟踪控制问题,提出了基于泰勒级数的迭代学习算法．该算法利用泰勒级数将系统参数化,导出一种基于泰勒级数的线性时变系统的近似模型．在此模型的基础上,利用迭代学习方式修正输入量的泰勒展开系数,并用LMI方法求解学习增益矩阵．所提出算法在系统不满足正则性或无源性时,仍可用输出误差信号来构造学习律．仿真结果表明了该算法的有效性．     

基于定常线性迭代法的PSO算法收敛性分析

PSO算法本身是线性时变离散系统,现有的PSO算法收敛性条件的研究都是通过一定的假设将其转化为线性定常离散系统,线性定常离散系统的数学模型与求解线性方程组的单步定常线性迭代法的数学模型完全一致,这样对线性定常离散系统的稳定性分析就转化为对单步定常线性迭代格式的收敛性分析,为PSO算法的收敛性研究提供了一种新的思路和方法。     

Characteristic transfer function matrix-based linear feedback control system analysis and synthesis

In this article, the concept of control system synthesis via a method using the characteristic transfer function matrix (CTFM), is explained. Then, the formal definition of CTFM and the associated concept of connectivity are presented. Next, CTFM-based control system analysis and synthesis are discussed, together with the derivation of the necessary and sufficient conditions for the realisation of a proper controller. A summary of the design procedure is presented and three design examples are introduced, in order to illustrate this procedure. Finally, the main conclusions to the work are presented.     

高阶参数优化迭代学习控制算法

针对线性时不变离散系统的跟踪问题提出一种高阶参数优化迭代学习控制算法.该算法通过建立考虑了多次迭代误差影响的参数优化目标函数,求解得出优化后的时变学习增益参数.从理论上证明了:对于线性离散时不变系统,该算法在被控对象不满足正定性的松弛条件下仍可保证跟踪误差单调收敛于零.同时,采用之前多次迭代信息的高阶算法具有更好的收敛性和鲁棒性.最后利用一个仿真实例验证了算法的有效性.     

粒子群算法在稳定时滞系统设计中的应用*

时滞系统稳定性的判断问题一直是控制理论领域的研究热点。针对大多数的理论定理过于复杂,在实际的工程应用中不易应用且不直观的问题,提出一种基于粒子群算法来判定时滞系统的稳定性的简便方法。通过PSO搜索拟特征多项式的特征根来判断系统的稳定性;给出了一个应用实例以及路由器设计中实际应用的例子并加以验证。仿真结果表明所提出的算法可以快速有效地判断时滞系统的稳定性。     

Robust design of feedback feed-forward iterative learning control based on 2D system theory for linear uncertain systems

For a class of linear discrete-time uncertain systems, a feedback feed-forward iterative learning control (ILC) scheme is proposed, which is comprised of an iterative learning controller and two current iteration feedback controllers. The iterative learning controller is used to improve the performance along the iteration direction and the feedback controllers are used to improve the performance along the time direction. First of all, the uncertain feedback feed-forward ILC system is presented by an uncertain two-dimensional Roesser model system. Then, two robust control schemes are proposed. One can ensure that the feedback feed-forward ILC system is bounded-input bounded-output stable along time direction, and the other can ensure that the feedback feed-forward ILC system is asymptotically stable along time direction. Both schemes can guarantee the system is robust monotonically convergent along the iteration direction. Third, the robust convergent sufficient conditions are given, which contains a linear matrix inequality (LMI). Moreover, the LMI can be used to determine the gain matrix of the feedback feed-forward iterative learning controller. Finally, the simulation results are presented to demonstrate the effectiveness of the proposed schemes.