面向多目标参数整定的协同深度强化学习方法

多目标控制参数联合优化整定是自动化系统保持高效、稳定运行的关键问题,强化学习常用于建立自动化调参智能体,代替人工完成参数整定. 针对现有方法使用固定权重将多个优化目标线性组合为单目标,训练具有固定调参知识的单智能体模型,导致实际目标关系受环境影响与先验不符时,智能体无法感知并做出适应性决策调整,限制参数整定效果的问题,提出一种面向多目标参数整定的协同深度强化学习方法. 该方法利用离线仿真学习目标整定知识建立多个Double-DQN智能体,在线建立整定效果反馈,感知目标实际关系并调整智能体协同策略,实现有效的多目标参数整定. 列车自动驾驶参数整定实验结果表明,方法对停车误差、舒适度两个目标整定效果良好,能自适应不同车轨性能且可持续优化,实用价值大.      

一种改进的无模型自适应控制优化方法

针对一类复杂非线性系统提出了一种改进的无模型自适应控制(improved model-free adaptive control, IMFAC)方法,该方法通过对传统无模型自适应控制(model-free adaptive control, MFAC)方法控制器输出准则函数引入系统输出变化量来改善系统的动态性能。分析了IMFAC方法的稳定性和收敛性,并针对IMFAC方法中5个参数整定困难的问题,提出了基于灰狼优化(grey wolf optimization, GWO)算法的控制器参数优化方法(G-IMFAC)。对于GWO适应度函数中3个优化指标权重的最优分配问题,通过计算各个优化指标的信息熵来确定其权重。最后通过仿真模拟对比了G-IMFAC方法与传统MFAC方法及IMFAC方法的性能,结果表明G-IMFAC方法具有更小的超调量和更短的调节时间,进一步提高了系统的控制性能。     

基于改进鸡群算法的PID参数整定

PID参数整定一直是控制工程研究的热点,利用传统的方法整定参数得到的系统性能往往较差,为解决PID参数整定问题,提高系统性能,提出一种基于改进鸡群算法(CSO)的PID参数整定方法。改进鸡群算法的目的是提高鸡群算法的收敛速度与精度,增强算法跳出局部最优的能力,4个标准测试函数的测试结果验证了改进的有效性。利用改进鸡群算法对4类典型工业过程的PID参数进行整定,以时间乘绝对误差积分函数(ITAE)为优化目标,Matlab仿真结果表明：通过改进鸡群算法整定PID参数得到的系统性能比传统的Z-N参数整定法以及Matlab遗传算法(GA)工具箱参数整定得到的系统性能有很大的提高。     

弱线性双层规划问题的罚分解方法

主要研究弱线性双层规划问题的求解方法.首先利用线性规划的对偶理论和罚函数方法思想,将弱线性双层规划问题转化为一个单层非线性规划问题.进一步把该单层优化问题分解为两个含有罚参数的线性规划问题,设计了一个罚分解方法,并用一个简单算例说明了所提出方法的可行性.     

基于改进鸡群算法的比例-积分-微分参数整定

比例-积分-微分(PID)参数整定一直是控制工程研究的热点。利用传统的方法整定参数得到的系统性能往往较差,为解决PID参数整定问题,提高系统性能,提出一种基于改进鸡群算法(CSO)的PID参数整定方法。改进鸡群算法的目的是提高鸡群算法的收敛速度与精度,增强算法跳出局部最优的能力,4个标准测试函数的测试结果验证了改进的有效性。利用改进鸡群算法对4类典型工业过程的PID参数进行整定,以时间乘绝对误差积分函数(ITAE)为优化目标。Matlab仿真结果表明:通过改进鸡群算法整定PID参数得到的系统性能比传统的Z-N参数整定法以及Matlab遗传算法(GA)工具箱参数整定得到的系统性能有很大的提高。     

模糊PID双层参数整定及其在固化炉中的应用

提出了一种模糊PID(proportion integration differentiation)控制器的双层参数整定方法。将模糊PID控制器的参数整定分为比例因子的整定与模糊隶属度函数参数整定2部分。推导出模糊PID控制器的解析模型,该解析模型包括线性部分和非线性补偿2个部分。整定的过程中,把模糊PID控制器解析模型的非线性补偿看作过程扰动,由线性部分和被控对象的二阶纯时滞模型,基于系统的增益裕度关系,导出模糊PID控制器的比例因子。再基于粒子群优化算法(PSO,particle swarm optimization)对三角隶属度函数进行优化,使控制器进一步适应被控对象的动态特性。仿真结果表明了研究方法的有效性以及应用在芯片固化炉的温度控制过程中,提升温度控制的效果。     

基于多模型广义预测控制器的DRTO双层结构

针对动态实时优化(DRTO)与模型预测控制器(MPC)结合的双层结构中由于DRTO与MPC的模型不一致影响优化效果的问题,本文将多模型广义预测控制器(GPC)引入到DRTO双层结构中,设计了基于DRTO双层结构的多模型GPC控制器。上层结构为DRTO层主要解决经济目标函数的优化问题,采用动态过程模型实时优化更新输出对象的最优设定值轨迹。下层结构采用多模型GPC控制器替代原先的单模型MPC控制器,主要是抑制过程中的快速干扰追踪DRTO层得到的最优设定值轨迹。多模型GPC控制器采用多个固定模型和自适应模型来并行辨识系统的动态特性,减小由于上下层模型不一致造成的误差的同时可以提高系统暂态性能和模型参数跳变时系统的调节能力,最后通过仿真验证了该方法的可行性和有效性。     

基于平方加权的理想点法解双层多目标规划问题

给出双层多目标规划问题的模型,将基于平方加权的理想点法与KT条件有效结合起来,从而把双层多目标规划问题转化为单层单目标规划问题进行求解,最终得到原问题的有效解.     

求解一类双层规划的自适应变异动态差分进化算法

针对一类上层函数和约束函数不具有凸性和可微性要求,而下层函数可微且凸的非线性双层规划问题,首先通过Karush-Kuhn-Tucher(KKT)条件将双层规划问题转换为单层约束非线性规划问题,并结合非固定多段映射罚函数法和精确罚函数法对约束条件进行无约束化处理,然后提出一种改进的动态差分进化算法优化对系列无约束优化问题进行求解。对8个测试实例进行数值计算并与现有算法进行比较。测试结果表明,所提方法是一种求解该类双层规划问题的有效方法。     

基于性能触发的双层结构模型预测控制

双层控制结构广泛应用于工业过程控制,针对实际系统中不确定性导致的性能下降和控制不可行的问题,提出一种事件触发的动态实时优化(Dynamic Real-Time Optimization,D-RTO)与模型预测控制(Model Predictive Control,MPC)双层结构.上层采用经济模型预测控制(Economic MPC,EMPC)对目标函数进行优化,计算最优参考轨迹并传给下层;下层采用MPC使系统跟踪上层轨迹;通过构建基于性能指标的事件触发条件来及时补偿不确定性造成的系统性能损失,无需等到D-RTO的下一次优化.当实际系统性能指标与上层优化的性能指标之差超出阈值时,需要重新求解EMPC,并基于当前状态更新参考轨迹.在此基础上,进一步分析了事件触发的D-RTO与MPC双层控制结构的可行性和闭环稳定性.数值模拟实验验证了方法的有效性.     

基于PSO的PID参数整定仿真与研究

针对工业控制过程中经验PID整定耗时耗力、精度低且稳定性能差等问题进行研究,提出采用标准粒子群算法可实现对PID控制器参数的快速优化且收敛效果明显;通过重点分析PSO算法中的不同惯性权重以及学习因子分别对被控对象系统控制优化性能的影响,深入研究算法参数各部分的作用及其设置范围,使基于PSO算法的PID整定方法能够获得最优的控制效果及更广阔的应用前景;最后,应用Matlab软件平台,并结合Simulink系统进行算例数字仿真分析:通过对比不同惯性权重及学习因子情况下的仿真结果,证明方法的鲁棒性强;通过对比传统Z-N方法和遗传算法整定,证明了方法的优越性。     

A Computationally Efficient Aggregation Optimization Strategy of Model Predictive Control

Model Predictive Control(MPC) is a popular technique and has been successfully used in various industrial applications.Howver,the big drawback of MPC involved in the formidable online computational effort limits its applicability to relatively slow and/or small processes with a moderate number of inputs.This paper develops an aggregation optimization strategy for MPC that can imporove the computational efficiency of MPC.FOr the regulation problem.an input decaying aggregation optimization algorithm is presented by aggregating all the original optimized variables on control horizon with the decaying sequence in respect of the current control action.     

预测控制中柔化因子与控制增量权重的研究

研究了控制步长M≥1时动态矩阵控制（dynamic matrix controller，DMC）的柔化因子和控制增量权重之间的关系，分析了增益对二者取值的影响，并通过仿真实验进行了验证．这一研究为控制增量权重的取值提供了一个量化的指导．     

基于模糊模型的预测PID控制器的参数整定

提出一种基于模糊模型的预测PID控制器（PPID）的参数整定方法，PPID采用广义预测控制的控制策略，控制算法简单，容易在单片机、PLC和仪表上实现，且有比普通的PID更优良的性能，参数整定分两阶段进行，首先基于初始模型对PPID离线进行整定，然后在系统运行后利用对象的输入输出数据对模糊模型和PPIDR的参数再次进行离线整定，整定算法均采用批处理方式的梯度下降法。     

二维装箱问题非线性规划模型和算法

二维装箱问题是具有广泛应用背景的一类组合优化问题,这类问题是NP难问题,很难得到精确解.将二维装箱问题表示为一个非线性规划模型,用变分分析中切锥的概念建立了这一优化问题的一阶最优性条件.给出了求解这一优化问题的增广Lagrange方法,并求解了具体问题.数值实验表明增广Lagrange方法适合求解该问题,对于不超过10个物品的装箱问题可以求得精确解.     

实时控制系统一种基于模型预测控制的反馈调度

提出一种基于模型预测控制(MPC)的反馈调度算法(FS-MPC),可以在有限计算资源的情况下改进实时控制系统的性能.将被控的实时调度过程模型化为受约束的任务集密度控制问题.在FS-MPC算法中,约束条件保证任务集在最早截止时限优先(EDF)算法下是可调度的;同时,MPC的优化目标通过减小控制任务的截止时限使整个任务集的密度尽可能接近100%,从而提高控制任务的优先级,降低输出抖动.仿真结果表明,在有限计算资源的情况下,FS-MPC显著地降低了由调度过程引起的控制性能损失.     

基于BP神经网络的分数阶PIαDβ控制器参数整定研究

对于分数阶控制系统,因分数阶控制器较传统PID控制器具有更好的适应性,这就为得到更加细腻的控制品质提供了可能。然而,分数阶PI^αD^β控制器的参数整定则相对复杂。针对这一问题,提出了基于BP神经网络的分数阶控制器参数整定方法,有效地克服了分数阶控制器参数整定复杂问题。采用文章所提方法,分别设计了整数阶PID、分数阶PI^αD^β控制器,并进行仿真对比。结果表明,采用分数阶PI^αD^β控制器的系统控制品质优于整数阶PID控制器。     

基于动态优化的多模型广义预测控制器设计

针对工业控制过程中广泛存在系统参数突变的问题,将多模型切换的广义预测控制器引至动态优化策略下的分层式控制系统中,设计了基于动态优化的多模型广义预测控制器.该模型预测控制结构以获取最大经济效益为目标,上层结构对经济目标函数进行动态优化,得到使经济利益最大的关键变量设定值;下层结构中MPC层采用多模型广义预测控制器代替传统单模型广义预测控制器追踪上层得到的设定值,即采用多个固定模型和自适应模型并行辨识系统的动态特性,提高系统暂态性能和模型参数跳变时系统的调节能力;底层为PID控制器用于抑制过程中的扰动.通过仿真验证了该方法的可行性和有效性.