基于网络逆系统的迭代学习初始控制量确定

鉴于初始控制量对迭代学习控制(ILC)算法收敛速度及跟踪精度的重要影响,为保证ILC算法对任意期望轨迹的跟踪性能,提出了一种基于小波神经网络(WNN)逆系统的ILC初始控制量确定方法.首先分析了研究对象的可逆性,在此基础上建立了对象的WNN逆模型,然后根据该逆模型求得任意期望轨迹下的网络输出,捋其作为ILC算法的理想初始控制量进行迭代学习.仿真结果表明,新算法辅助的ILC能利用先前的控制经验,在面临新的期望轨迹时能有效减少迭代次数,提高跟踪精度.     

含状态时滞的非线性间歇过程迭代学习控制研究

在迭代学习控制(iterative learning control, ILC)理论的研究中,常见的初始条件是迭代初值与期望初值一致,或者迭代初值固定。研究了含状态时滞的非线性间歇过程,其系统初值在期望初值一定范围内随机变化且存在可量测重复性扰动下的迭代学习控制问题。提出了采用带变遗忘因子的开环PD型迭代学习控制算法,给出了谱半径形式的收敛条件,并应用算子理论进行收敛性证明,给出了间歇非线性控制时滞过程仿真实例。研究结果说明了该算法的有效性。     

极值理论应用研究进展评析

首先介绍了极值的概念和极值理论研究的历史进展，评述了极理论在工程领域的应用，然后侧重于对极值理论在金融风险管理的应用进行阐述，描述了其基本的分析和应用框架，最后，本文对极值理论应用的发展方向进行了分析。     

论证券市场的复杂性:以上海股票市场为例

突破了传统证券市场理论研究的线性框架，以上海股票市场为例，探讨了证券市场的复杂性问题及其理论与实践意义。在讨论证券市场系统之分形特征及其演化平均轨道周期的同时，分析了用自相关函数及李雅普诺夫指数等来研究证券市场复杂性之适应性，并从理论上进行了实证，最后，结合复杂性理论在证券市场研究中的应用，认为在证券市场研究中，协同市场假定，小波理论及自组织临界理论等将成为证券市场复杂性研究的发展方向。     

基于Agent的大型水利工程物资供应链建模与仿真

将供应链管理理论和Agent技术引入大型工程物资供应系统的研究中，重点讨论了基于Agent的建模理论、方法及其在供应链研究中的应用，并给出了具体的研究实例。     

企业研究与开发人员报酬激励研究

技术创新是企业发展的灵魂，研究人员是企业技术创新的主体，如何激励研发人员是关系企业生死存亡的问题,本文在实证调查研究的基础上分析了我国研究开发人员报酬激励存在的问题，结合激励理论和代理理论提出了对研究开发人员进行报酬激励的原则和适合的报酬结构模型。     

要加强对复杂适应性系统的研究——对自组织理论的反思

简单回顾了自组织理论的发展历史、内容和采用的方法，重点分析了自组织理论的研究对象和研究范围；指出自组织理论在研究复杂系统上的局限性——只适于研究简单巨系统，它研究的是系统演化的结果而非过程；自组织理论使用微分方程作为数学工具，要求子系统之间的相互作用要满足叠加原理而不考虑涌现的情况。在此基础上，本文提出要加强复杂适应性系统的研究，具体有两方面的工作：首先要加强计算机作为数学工具的应用，扩展对系统状态描述的范围；另外要加强对层次性的研究，重点是对涌现问题的分析。最后提出现在加强复杂系统的研究应从实际的具体系统入手。     

分形理论视野下的部分与整体研究

两千多年前，古希腊哲学家亚里士多德就提出“整体大于部分之和”的著名论断，现代的系统论、机体论、全息理论等各种学说从多个方面和角度进一步地推进了对“整体与部分”的研究。诞生于20世纪70年代的分形理论是现代研究复杂性的重要科学理论之一，沃尔夫奖的评语认为分形理论“改变了我们的世界观”，它对人们的自然观、方法论及思维方法等都产生了深刻的影响。主要探讨在分形理论视野下局部和整体的相互关系。     

基于2D模型的网络系统迭代学习控制设计方法

迭代学习控制(iterative learning control, ILC)方法应用于网络控制系统时,由于数据需要在控制器和远程对象间传输经常产生数据丢失现象。给出了一种存在数据丢失时网络系统的随机迭代学习控制设计方法,首先将数据丢失现象描述为随机伯努利序列,在此基础上将迭代学习的控制器设计转化为随机〖JP2〗2D Roesser系统的稳定问题。定义了随机意义下2D系统的均方渐进稳定,基于线性矩阵不等式(linear matrix inequality, LMI)给出一个判别稳定性的条件,该条件同时可实现迭代学习控制器的设计。仿真示例验证了设计方法的有效性。     

生命系统理论及其应用综述

生命系统理论是Ｊ．Ｇ．Ｍｉｌｅｒ１９７８年提出的跨学科综合性理论，在国外已取得了广泛的应用。本文对这一理论及应用做了简要概述，并认为生命系统理论对各门学科都有应用价值。生命系统理论值得中国科技工作者学习、研究和推广.     

不确定时滞非线性系统的迭代学习控制

针对一类不确定状态时滞非线性系统 ,提出了一种形式简单的迭代学习控制算法 ,从理论上给出了算法收敛的充分条件 ,进一步分析了不确定状态时滞、系统采样频率与跟踪性能之间的关系。该学习算法无需精确已知系统的状态时滞 ,而只要估计状态时滞的界 ,因而具有算法简单、计算量小、易于实现等特点。仿真结果表明了该算法的实用性和有效性。     

A new neural network-based adaptive ILC for nonlinear discrete-time systems with dead zone scheme

By introducing a dead-zone scheme, a new neural network based adaptive iterative learning control (ILC) (NN-AILC) scheme is presented for nonlinear discrete-time systems, where the NN weights are time-varying. The most distinct contribution of the proposed NN-AILC is the relaxation of the identical conditions of initial state and reference trajectory, which are common requirements in traditional ILC problems. Convergence analysis indicates that the tracking error converges to a bounded ball, whose size is determined by the dead-zone nonlinearity. Computer simulations verify the theoretical results. This research is supported by General Program (60774022) and State Key Program (60834001) of National Natural Science Foundation of China, and Doctoral Foundation of Qingdao University of Science & Technology (0022324).     

基于迭代学习控制的PID控制器设计

针对传统的经验PID整定方法,提出了一种新的PID参数整定算法。该算法首先利用PD型迭代学习控制来进行期望轨迹的跟踪控制,然后根据迭代学习控制的输入输出数据序列,通过强跟踪滤波器来进行参数辨识,可获得对应于期望轨迹的优化的PID控制参数。给出了迭代学习控制的收敛条件,以及如何利用强跟踪滤波器来进行参数辨识。仿真和实验结果表明,采用该算法设计PID控制器,被控系统可以获得较佳的动态性能和较强的鲁棒性。     

基于2-D系统理论的变初始条件离散系统的迭代学习控制

对于具有重复运动特性的系统，迭代学习控制是一种简单有效的控制方法。为便于实时应用，所有迭代学习控制方案的设计必须在离散时间域进行。初始状态问题是学习控制设计中遇到的一个重要问题。针对具有变初始状态的离散时间系统，利用2-D线性连续．离散型系统理论设计了闭环迭代学习控制器，并给出了保证控制器收敛的充分必要条件。仿真结果证明了该方案的有效性。     

分数阶非线性时滞系统的P型迭代学习控制

针对一类分数阶非线性时滞系统,研究其P型迭代学习控制问题。首先,根据分数微积分的基本性质并借助推广的Gronwall不等式,获得系统状态变量的范数不等式估计;然后,通过引入λ-范数,获得在开环和闭环P型迭代学习控制作用下,系统控制输入以及跟踪误差收敛的充分条件。所得结果与已有结果相比,具有更小的保守性。最后,通过数值仿真验证所提方法的有效性。     

基于等效控制的迭代学习控制

对一类含非参数不确定性的时变非线性系统,提出了一种新的迭代学习算法,应用类Lyapunov方法证明了其收敛性。为了提高其收敛速度,建立了该类非线性系统的等效系统,并应用线性扩张状态观测器直接给出了原非线性系统的等效控制,该等效控制是其期望控制的近似。为了消除线性扩张状态观测器应用中的初始时刻的峰值现象,提出了顺时针估计和逆时针估计相结合的等效控制求解方法,给出了基于等效控制的迭代学习控制算法的实现流程图。仿真表明所提的两种算法都是有效的,基于等效控制的迭代学习控制算法几乎一次学习后就可达到满意的效果。     

基于Shifted Legendre正交多项式的迭代学习控制方法

考虑用迭代学习控制方法来解决一类线性时变连续系统的终端控制问题。运用ShiftedLegendre正交多项式的展开技术,利用其正交性和边值条件,将线性时变系统的微分方程转化为代数方程,避免了在判断误差收敛条件的过程中求解线性时变系统状态转移矩阵。并采用高阶学习律来求控制输入的ShiftedLegendre系数向量,仿真实例验证了该方法的有效性。     

复杂系统的平行控制理论及应用

首先给出了复杂系统的定义,并对复杂系统的研究现状和存在的问题进行了探讨,认识到没有可用来描述复杂系统的足够精确的模型,基于还原论的现有控制理论和方法难以发挥有效作用。在此基础上,提出了应对这类复杂系统问题的平行控制方法,阐述了其ACP思想、基本原理和优势等。同时对控制理论的发展历史做了简要描述,证明平行控制理论的产生是必然的。并阐述了平行控制理论的核心技术。最后介绍了平行控制系统平台及其在乙烯生产和城市交通中的应用,描述了平行控制理论研究和应用实践的前景与展望。     

基于T-S模型的迭代学习控制算法及其在机器人点位控制中的仿真研究

考虑了一类特殊的迭代学习控制问题，即用迭代学习方法解决机器人的点位控制问题。采用T-S模型描述机器人系统，在T-S模型的基础上，运用并行分配补偿方法(PDC)确定T-S模型的迭代学习控制器结构，并给出了误差收敛条件。为避免迭代过程的初始定位操作，丈中还设计了模糊循环迭代学习律。最后以在垂直面内运动的单关节的机器人为例说明了所提出方法的有效性。