基于Hammerstein-Wiener模型的广义预测控制

提出了一种新型的基于Hammerstein-Wiener模型的广义预测控制策略。采用基于最小二乘支持向量机的Hammerstein-Wiener模型描述非线性系统动态特性,作为被控对象预测模型。同时,针对现有遗传算法和混沌粒子群优化算法收敛速度慢和精度低等缺点,给出一种拟牛顿信赖域混沌粒子群混合优化算法,作为预测控制的滚动优化策略,函数测试和非线性对象的广义预测控制的滚动优化表明该算法的优越性。最后,对设计的预测控制器进行实例仿真,结果表明它能满足系统实时稳定运行的需求,取得了良好的控制效果。     

改进Quatre算法的无人机编队快速集结方法

为了提高多无人机在编队集结过程中的稳定性, 提出基于改进拟仿射类进化(improved quasi-affine transformation evolutionary, IQuatre)算法的无人机编队集结方法。首先, 基于分布式模型预测控制(distributed model predictive control, DMPC)建立无人机编队的运动预测模型, 通过预测无人机的“未来态”规避编队内碰撞风险, 滚动优化的数学模型提高了无人机到达指定位置的稳定性, 使得无人机更好、更快地加入编队飞行; 其次, 对Quatre算法进行种群优化改进, 将携带最优基因的父代个体有选择性地加入子代种群, 加快种群收敛。实验结果表明, 基于DMPC的无人机编队集结未出现碰撞情况, 减小了无人机调整状态过程中出现的位置偏差; 对比仿真验证了IQuatre算法能够提高编队集结的稳定性, 较原Quatre算法减少了5.2%的平均迭代次数, 在计算时间上节约了4.6%, 位置误差减小了0.45 m。     

机理混合自适应时延神经网络建模和控制算法

过程机理和数据驱动模型的结合一直是过程控制中的重点和难点问题。提出了一种新颖的机理混合模型结构。该模型基于自适应时延神经网络,并结合了被控对象的机理模型,因此可以对建模的对象进行预测感知,并可大幅提高神经网络的泛化功能。基于这种模型设计了预测控制算法,并分析了该模型的逼近能力、收敛性以及该控制算法的闭环稳定性。在双容水箱液位控制系统的大量实验结果表明,基于该混合模型的预测控制算法比现有算法具有更好的控制效果,从而验证了该混合模型的优越性。     

Robust predictive control of polytopic uncertain systems with both state and input delays

A robust model predictive control algorithm for discrete linear systems with both state and input delays subjected to constrained input control is presented,where the polytopic uncertainties exist in both state matrices and input matrices.The algorithm optimizes an upper bound with respect to a state feedback control law.The feedback control law is presented based on the construction of a parameter-dependent Lyapunov function.The above optimization problem can be formulated as a LMI-based optimization.The feasibility of the optimization problem guarantees that the algorithm is robustly stable.The simulation results verify the effectiveness of the proposed algorithm.     

输入受限的隐式广义预测控制算法的仿真研究

本文基于CARIMA模型提出了一种简单的隐式广义预测自校正控制算法。它避免了在线求解Dioaphantine方程;利用并列预测器间的特点,直接辨识输出预测器中的参数,并针对广义预测控制问题,在整个预测时域和控制时域,对输入幅值施加了约束;在此基础上以二次规划作为滚动优化策略,进行计算机仿真,获得预测控制信息和输出信息;然后采用加权控制律,不仅使预测信息得以充分利用,而且使系统的性能得到明显改善。     

分布式MPC在网络化制造环境下SCM中的应用

针对网络化制造环境下动态供应链管理特点,利用分布式模型预测控制技术解决供应链中动态优化控制问题。首先,阐述动态供应链运行机理,并以此提出完整的随机动态优化控制模型及其控制约束;其次,给出分布式模型预测控制算法,并构建了优化控制序列模型;最后,仿真实例结果表明,利用分布式模型预测控制技术计算供应链中各阶段订货率,可以预测企业各阶段理想库存,从而快速响应市场动态变化,有效控制供应链管理中的不确定性。     

基于NMPC的无人机自主防撞控制方法

针对非合作条件下的无人机自主防相撞控制问题,在分析无人机与入侵飞机在三维空间几何关系的基础上,提出并证明了相撞冲突判决准则,定义最小间隔和剩余冲突消解时间衡量无人机与多入侵飞行器间的冲突紧急程度,建立了无人机自主防撞最优控制模型。基于非线性模型预测控制方法建立三维空间无人机自主防撞控制算法,运用剪枝搜索方法提高算法求解时效性。仿真实验表明,所提算法实现多无人机高动态环境下的防撞控制,能够有效降低无人机飞行安全威胁。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

Constrained predictive control based on T-S fuzzy model for nonlinear systems

A constrained generalized predictive control （GPC） algorithm based on the T-S fuzzy model is presented for the nonlinear system. First, a Takagi-Sugeno （T-S） fuzzy model based on the fuzzy cluster algorithm and the orthogonalleast square method is constructed to approach the nonlinear system. Since its consequence is linear, it can divide the nonlinear system into a number of linear or nearly linear subsystems. For this T-S fuzzy model, a GPC algorithm with input constraints is presented. This strategy takes into account all the constraints of the control signal and its increment, and does not require the calculation of the Diophantine equations. So it needs only a small computer memory and the computational speed is high. The simulation results show a good performance for the nonlinear systems.     

一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。     

基于C-R模糊模型的非线性预测控制

Cao和Ress提出的模糊模型（称为C-R模糊模型）由模糊推理和局部线性解析模型两部分组成，用隶属函数加权局部模型构成系统的全局非线性模型。本文提出了一种新的结构上与阶跃模型相类似的C-R模糊阶跃模型。并用DMC动态矩阵控制算法，求解基于该模型的非线性预测控制问题，得出了预测控制算法的解析形式，该方法克服了一般非线性预测控制算法求解困难的缺陷。     

多智能体系统的分布式预测控制器设计

针对多智能体系统的跟踪及编队控制问题,研究其分布式预测控制器的设计方法。考虑时变通讯拓扑情况,在优化问题中附加一项辅助约束,保证了优化问题的递归可行性及多智能体系统的闭环指数稳定性。在每个采样时刻,各智能体根据通讯拓扑实时更新其代价函数及辅助约束,通过求解带有状态、输入及辅助约束的优化问题来计算其控制输入。仿真结果验证了结论的有效性。     

冲突多目标相容预测控制

两层结构的相容控制框架可以解决复杂冲突多目标控制问题,但其需要克服的困难是多目标直接优化、第一层所选区间目标的实现和在线实时优化控制。采用多目标遗传进化算法解决了直接优化多目标的工具问题。为能实现第一层中所选择的控制目标,第二层中设计了不同于第一层中形式的指标,并加入选择函数以反映实际系统的需要。结合预测控制思想的特点,提出了在线迭代遗传算法,解决了在线优化速度问题。以预测控制动态过程中误差、能耗两个目标为例对相容预测算法进行了说明。     

基于自校正MPC的舰载机着舰控制技术

针对模型参数不准确条件下的全自动着舰控制技术进行了研究,设计了一种基于保辛伪谱算法(symplectic pseudospectral method,SP)和带遗忘因子递推最小二乘法(recursive least squares with forgetting factor,FFRLS)的舰载机着舰自校正模型预测控制...     

基于纳什优化的多变量系统的解耦预测函数控制

针对状态反馈控制系统，提出多输入多输出系统的解耦预测函数控制算法设计。利用预测函数控制算法的特点，引入基函数增加了设计的自由度，减少了在线计算量。通过采取分散优化策略代替整体优化，基于纳什优化实现系统的解耦控制。仿真结果表明该方法具有很好的控制效果。     

基于MPC的无人机航迹跟踪控制器设计

针对固定翼无人机航迹跟踪问题,采用基于状态扩展的双反馈模型预测控制理论对控制器进行设计。首先推导基于侧向偏差的无人机侧向航迹跟踪模型,采用动态逆方法对模型进行线性化处理,在此基础上设计基于状态扩展的双反馈模型预测控制器,并采用量子粒子群优化(quantum particle swarm optimization, QPSO)算法对控制器参数进行优化,考虑无人机飞行过程中受到的未知干扰,引入扩张状态观测器(extended states observer, ESO)对干扰进行观测,进一步提高系统的鲁棒性,并结合实际工程应用对系统进行数学仿真。仿真结果表明,基于状态扩展双反馈模型预测控制的无人机侧向航迹跟踪控制器,能够在系统存在模型不确定性与受到动态干扰时对期望航迹进行准确、稳定的跟踪。     

多变量广义预测控制及其在投资决策中的应用

一、引言 作者提出的多变量广义预测控制算法,用递推的方法,进行多步最优(最小方差)预测,以确定某一性能指标下的最优控制方案。尽管提出这种算法的背景是应用于工业控制,但其基本思想和方法可推广到经济系统的投资决策中。 一般来说,不同部门的经济系统的发展(比如重工业和轻工业)互相影响、互相制约、互相促进,是一个复杂的系统。而制定经济系统的各个不同部门的产值发展规划及合理安排每年的投资量(资金、劳力、能源等要素)是经济决策的关键一环。 本文首先根据经济系统的特点,对原有的广义预测控制中采用的性能指标、预测模型做了必要的调     

基于T-S模型的不确定NNCS鲁棒容错保性能设计

针对一类具有时变时延和丢包的不确定非线性网络化控制系统,基于T-S(Takagi-Sugeno)模糊模型,通过构造适当的Lyapunov-Krasovskii泛函,得出在执行器发生失效故障的情形下,系统基于线性矩阵不等式的渐近稳定且具有良好动态性能的时滞依赖充分条件,并给出了最优鲁棒容错保性能控制器的设计方法。由于证明中没有进行任何模型变换,并考虑了时延下界,使结果具有较少保守性。最后,仿真示例验证了本文所述方法的有效性和可行性。     

训练支持向量机的四重序列解析优化算法

为了提高训练支持向量机的序列最小优化算法的学习性能, 依据 在每次迭代中选取多个变量同时优化可能会减少迭代次数和缩短训练时间的这一想法, 提出了一个训练支持向量机的快速算法-四重序列解析优化方法, 并给出了一个重要定理, 使得相应的子问题有解析解, 从而能够更加精确和快速地逼近最优解. 在两个公共数据集上的仿真结果表明: 该方法比其它算法有较好的学习性能-在相同训练精度的条件下,不仅缩短了训练时间, 而且计算复杂度减小.