基于T-S模型的离散非线性系统的迭代学习控制

针对离散T-S模糊系统的轨迹跟踪控制问题,提出了基于离散Legendre正交多项式的迭代学习算法.该方法利用离散Legendre正交多项式展开技术及其移位运算矩阵,导出了系统基于离散Legendre多项式展开的近似模型,建立了输入量与输出量之间的代数方程约束关系.在此基础上,用迭代学习的方法可修正输入量的Legendre多项式系数,所得算法可用于具有任意相对阶的离散非线性系统.仿真实例表明了该算法的有效性.     

基于正交多项式的迭代学习控制算法及其应用

针对存在不确定扰动的线性系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法．该算法利用正交多项式级数将系统参数化,运用其积分运算矩阵,导出了一种基于多项式级数的线性系统的近似模型．在此模型基础上,用迭代学习的方式来修正输入量的多项式展开系数,并运用LMI方法求解学习增益矩阵．所得算法在系统不满足正则性或无源性时,仍可以用输出误差信号来构造学习律．将该方法运用到直线电机的控制中,仿真结果表明,新算法能明显地提高直线电机的控制精度。     

基于进化策略方法求多项式的根

针对传统算法如牛顿迭代法在求多项式的根的过程中,只能对某一有限的区间求出数值解,对于一个根、重根或者是选择迭代初始点等问题的解决也不是很理想的弊端,提出一种在整个实数域(或复数域)上进行求根的进化策略算法.该算法充分发挥进化策略的群体搜索和全局收敛的特性,有效的解决了传统算法在求解过程中存在迭代初值选取难的问题,而且对系数为复(实)系数的高阶多项式求根的问题同样适用.模拟实验表明,该算法收敛速度快,精度高,比一般的求多项式根的智能算法还要好,是一种求多项式根的有效方法.     

基于拟Broyden法的非线性系统参数优化迭代学习控制

为解决动力非线性系统跟踪控制问题,将拟Broyden法和参数优化迭代学习控制方法结合,即利用拟Broyden算法对系统雅可比矩阵进行迭代近似计算,通过参数优化对学习因子进行优化,提出了一种新的具有单调收敛特性的迭代学习控制算法.该算法不仅能够简化传统牛顿法中对系统雅可比矩阵求逆计算所带来的复杂性,而且从理论上证明了其具有单调递减的特性和全局收敛性.仿真结果表明,该算法能够精确地跟踪给定输入目标,具有实施简便和单调超线速收敛的特点.     

迭代学习在多智能体编队中的控制研究

针对具有控制时延的非线性多智能体系统模型,设计了一种能够实现其稳定编队的迭代学习控制算法.首先,建立单个智能体的动态特性,根据多智能体的拓扑连接结构,将多智能体编队控制问题转化为跟踪问题.其次,针对每个智能体设计形式统一的迭代学习控制器,根据每个智能体不同的动态特性,选取合适的学习增益矩阵.最后,基于λ范数理论证明了算法的收敛性.由于该迭代学习控制算法放宽了对迭代初值的限定,使其达到在任意常值初态条件下的稳定控制,从而满足了各个智能体在初始位置随机分布时的编队控制要求.仿真结果证明了文中所给算法的有效性.     

神经网络迭代学习控制快速算法的研究

研究了非线性系统的神经网络迭代学习控制问题，为了提高神经网络学习控制的收敛速度，改进了权值的迭代学习算法，提出了一种新的训练权值方法，它以递推的方法来计算网络权值，不仅能减少计算量且收敛速度快，最后，用仿真结果对该算法作了进一步的验证。     

基于克隆选择算法的优化迭代学习控制

将改进的克隆选择算法用于求解迭代学习控制中的优化问题,提出一种基于克隆选择算法的优化迭代学习控制.通过一个特殊设计的高斯变异操作,采用实数编码的克隆选择算法不但可以解决迭代学习控制中的非最小相位和非线性问题,而且可以很好地处理系统输入的约束问题.此外,由于更多的先前信息被编码进克隆选择算法中,减小了搜索空间,从而大幅提高了算法的收敛速度.仿真结果表明,对于所选线性和非线性被控对象该策略都能够取得满意的收敛效果.     

初态偏移非线性系统跟踪控制的迭代学习算法

基于迭代学习控制理论提出一种新的可变增益学习控制算法,并对系统初态的迭代学习律进行了讨论,利用算子理论证明在非线性系统中存在初态偏移时经过迭代学习后,输出仍能跟踪期望轨迹;对其收敛性进行数学证明,得到谱半径形式的迭代学习律收敛的充分条件,从而解决了可变学习增益迭代学习控制的初态偏移问题.最后在注塑机注射速度控制系统中与增益不可变迭代学习算法进行比较,仿真结果验证了算法的有效性.     

一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论，提出了一种新的迭代学习控制算法，该算法与目前的算法具有完全不同的形式，数值仿真结果表明了新算法的有效性与优越性。     

神经网络在非球面镜面型多项式反求中的应用

介绍BP神经网络的结构与学习算法,建立用于非球面镜面型多项式系数反求的BP神经网络模型,并且论述模型建立的步骤与原则方法,最后阐述了利用所建立的模型对非球面镜面型多项式系数反求的实施过程.研究表明,该方法能够较好地实现复杂非球面镜面型多项式系数的反求,并具有一定的容错能力.     

控制时滞系统的遗忘因子迭代学习算法研究

提出遗忘因子是关于迭代次数的函数,简化了传统遗忘因子迭代学习控制算法的收敛条件,并给出了收敛性分析.将改进收敛条件的遗忘因子迭代学习控制算法应用于一类带控制时滞的线性系统,给出了仿真实例.仿真结果表明,在改进的收敛条件下,合理地选择遗忘因子函数,带遗忘因子的PD型迭代学习控制算法在研究的控制时滞线性系统应用之下具有一定的有效性和优越性.     

模糊迭代学习方法及高层建筑结构地震响应控制的数值模拟

结合自校正控制、模糊逻辑和迭代学习控制的基本思想,提出采用自整定模糊控制确定迭代学习律的方法,提高了迭代学习控制的鲁棒性。选取建筑结构振动控制Benchmark第二阶段的地震作用Benchmark模型作为研究对象,进行模糊迭代学习控制地震响应仿真计算,结果表明该方法能够对Benchmark模型的地震响应进行有效控制,而且具有学习控制律简单实用、跟踪精度高、鲁棒性强等优点。     

线性广义系统的D型迭代学习控制

根据误差收敛准则,提出了线性广义系统的迭代学习控制算法,利用矩阵理论及不等式技巧给出了线性定常广义系统在D型学习律作用下的迭代控制收敛性结果,这一结果是全新的,其对时变系统也成立;另外,针对线性定常广义离散时间系统,给出了一种通过最优化目标函数确定控制器参数的设计方法.     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

模糊迭代学习在单关节机器人运动控制中的应用

提出一种迭代学习控制和模糊控制相结合的策略。利用模糊补偿来增加迭代学习控制的收敛速度和保证系统的稳定性,并对单关节机器人模型进行仿真。仿真结果表明,该模糊迭代学习控制系统在第一个学习周期内的误差值明显减小,输出误差也逐渐减小,跟踪性能总体上有了很大的改善,跟踪精度显著提高。     

一类受到未知外部干扰的多智能体系统学习协同控制

针对一类受到未知外部干扰的多智能体系统,在迭代学习控制框架下,结合自适应控制,首先设计了具有微分型参数自适应律的时变增益,同时,为了补偿未知外部干扰,设计了辅助控制器;通过构造复合能量函数,基于类Barbalat引理,证明了区间[0,T]上的完全一致性.其次,借助坐标变换,将编队问题转化为一致性问题.最后,通过一个仿真算例验证了所提算法的有效性.     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．     

板带轧制断面形状控制的矩阵模型

为了提高带钢断面形状的控制精度,提出一种新的带钢断面形状在线控制矩阵模型。采用1次、2次、3次和4次曲线精确描述带钢断面形状,根据影响函数法的原理,给出断面形状控制影响矩阵的概念,并建立断面形状控制方程。以机理模拟数据为基础,对断面形状控制的矩阵模型进行了仿真实验,结果表明该模型具有较高的控制精度,控制效果良好,适合现代轧机带钢断面形状高精度控制,为带钢断面形状在线控制提供了一种新方法。     

小波变换在分布参数系统控制中的应用

在求解分布参数系统的最优边界控制的偏微分方程时,为了克服求解析解的困难,采用正交函数逼近的方法,引入Haar正交小波基,借助Haar小波变换的性质和相应的Haar小波运算矩阵,将偏微分方程描述的分布参数系统最优控制问题,转化为集总参数系统最优控制问题,从而解决了分布参数系统的最优边界控制问题。仿真结果表明:该方法对于研究分布参数系统控制问题是非常有效的。与一般正交基函数逼近方法相比较,该方法具有计算量小,逼近精度高,算法简单等优点。