基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

改进粒子群算法优化的非线性模型预测控制

针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度和控制效果.对概率约束的处理,采用对不满足约束的粒子进行有效替代的方法,进而得到满足概率约束条件的优化控制律.仿真结果表明了提出的改进粒子群算法用于优化求解非线性模型预测控制的优化控制律的可行性和有效性.     

粒子群优化算法在非线性模型预测控制中的研究应用

提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制（NMPC）。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的合作与竞争及进化实现对多维复杂空间的高效搜索,属于一类随机全局优化技术,已成功应用于各科学和工程领域。本文在滚动优化部分应用粒子群优化算法来求解预测控制律,对非线性系统施加优化控制,此外,对常规线性递减加权因子ω策略进行了讨论,提出了非线性递减策略,可进一步缩短优化时间和优化精度。仿真实验效果良好,验证了这种优化算法的正确性和有效性。     

基于LM-PSO算法和BP神经网络的非线性预测控制

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。     

基于B—P神经网络的非线性系统预测控制的研究

预测控制是以计算机为手段基于模型预测进行控制的方法,但是已有的预测控制算法通常是针对线性渐进稳定对象的,或者即使针对非线性使用了非线性模型,但由于算法过于复杂不能适用于快速系统,本文对复杂非线性系统提出了一种基于Ｂ－神经网络的预测控制方法,仿真和实际结果表明该方法的有效性和快速性,能够实现对非线性系统的实时智能优化控制。     

一类非线性滞后系统的广义预测控制

对将线性系统的广义预测控制算法推广应用到非线性系统的控制问题进行了研究,即在每个控制周期内,递推预测非线性滞后系统在将来时刻的工作点,在工作点附近对非线性系统进行线性化,根据得出的线性化模型进行广义预测控制,并采用动态寻优的方法逐步逼近最优控制,仿真结果表明:非线性系统的广义预测控制算法能快速有效地跟踪系统的设定值,控制效果良好.     

一类非线性系统的广义预测控制

对一类非线性系统的广义预测控制进行了研究。采用动态寻优的方法减小线性化过程中被舍弃的非线性项引起的误差，仿真结果表明了算法的有效性。     

基于神经网络的非线性前馈补偿广义预测自校正控制器

采用多层前馈网络结构进行动态建模,并用Ｄａｖｉｄｏｎ最小二乘法作为在线学习算法,将辨识后得到的模型进行线性化．基于线性化模型设计广义预测控制器。将其与非线性前馈相结合,建立了一种适合于非线性系统的前馈补偿广义预测自校正控制器．仿真结果验证了本控制器对非线性系统控制的有效性     

基于关联加权预测的多生产线协调生产计划的研究

研究了一类带有限缓冲区的多生产线协调生产计划的模型问题，首先通过对制造企业生产现场进行调研，建立了上下游生产线部件成品关联结构，然后根据该关联结构建立了一种多生产线协调生产计划非线性规划模型．通常情况下，该模型的维数将很大．为了便于求解与提高求解速度，将模型进行了线性化和简化处理，并提出了一种快速的求解算法——两阶段关联加权均值预测算法．仿真结果表明所提的方法是非常有效的．     

精确反馈线性化中虚拟输出函数的求解与应用

为使精确反馈线性化方法得到更广泛的应用,给出虚拟输出函数的简便求解方法．首先将虚拟输出函数的求解转化为偏微分方程组的求解,然后针对这类偏微分方程组的特点提出仿照求解齐次线性方程组的方法可以简便的求出虚拟输出函数．利用该方法为非线性舵鳍联合系统实现了状态反馈线性化,并基于闭环增益成形算法设计了非线性鲁棒控制器,仿真表明该控制器对原非线性系统能起到良好的控制作用．该方法简单、实用,对于状态反馈线性化的实现具有一定的指导意义．     

基于神经网络的多变量自适应控制器

利用神经网络对非线性映射的逼近能力，通过采用一步超前预测控制性能指标及网络模型局部线性化的思想，给出了一个显式的控制律和相应的自适应控制算法，仿真结果表明了该控制算法的有效性。     

基于PWA模型的混杂系统优化控制

针对混杂系统非线性和非一致连续的复杂特性,使用混杂系统描述语言(HYSDEL)建立能以任意的精确程度描述非线性系统特性的分段仿射(Piece Wise Affine ,PWA)模型并采用模型预测控制对系统进行优化.通过对具体实例的仿真研究,结果表明优化控制方法是有效的.     

神经网络预测控制在SCR烟气脱硝系统中应用

以自某热电厂350 MW燃煤机组的选择性催化还原(SCR)反应系统所采集的数据为依托,使用神经网络预测控制方法,研究电厂尾气中氮氧化物排放的预测及控制问题.利用神经网络的方法进行模型辨识,利用预测控制的思想对喷氨量进行控制,既可使尾气达到限排标准,亦能减少用氨量,提升经济效益的同时减少氨逃逸.采用最速梯度方法进行控制器的优化,并通过性能函数来约束控制量,达到预期输出.最后将仿真结果与现场所测数据进行对比,结果表明神经网络预测控制方案可以较准确地预测出未来有限时刻所需的喷氨量.     

基于神经网络的永磁同步电机广义预测控制

介绍了一种基于神经网络的永磁同步电机矢量控制系统的广义预测控制方法.通过分析永磁同步电机数学模型,采用带有延时结构的多层前向神经网络作为预测模型,进行非线性广义预测控制.控制算法是基于非线性激励函数的局部线性思想,将预测模型处理成线性和非线性两部分,并用线性预测控制方法求得控制律,简化了计算.仿真结果表明,利用该法建立的永磁同步电机调速系统,具有良好的控制效果.     

基于最优控制的新型非线性预测控制算法

在电站过程控制中定值调节占很大比例,控制系统的抗阶跃干扰性能非常重要。另外,基于机理模型的电站仿真机,能够模拟真实机组对运行人员进行培训。这种机理模型有很高的动、静态特性,完全可以用来作为预测模型,实现对未来时刻输出的预测。作者根据最优控制的设计思想,设计出了将模型预测控制和常规控制相结合的控制方案。此算法改善了对象特性,具有较强的抗干扰能力和鲁棒性,适用于大惯性、有自平衡能力的大多数热工控制对象,为非线性系统模型预测控制提供了一条新思路、新方法。     

催化裂化装置的非线性预测控制

基于反馈线性化方法,提出了一种有输入、输出约束条件的多入多出非线性系统的预测控制方法。催化裂化装置(FCCU)的反应再生部分是一个典型的非线性系统,基于FCCU的机理模型,采用该控制方法设计了非线性预测控制器,并对其跟踪能力和稳定性进行了仿真分析。仿真结果表明,所设计的控制器具有良好的跟踪性能和稳定性。     

基于预测--模糊联合控制的分布式驱动车辆路径跟踪方法

为研究分布式驱动车辆（4wid）路径跟踪中的跟踪精度和稳定性的问题,提出了模型预测-模糊(Mpc-Fuzzy)的联合控策略, 缓解了单一模型预测控制下车辆跟踪精度与控制器计算压力间的冲突。采用模型预测控制设计了上层路径跟踪控制器,旨在利用模型预测“滚动优化”的优点降低跟踪误差的同时保证车辆的稳定性。下层采用模糊控制,将转向过度和转向不足量化为“方向偏差”和“位置偏差”,利用四轮转矩独立控制的优点进一步优化转矩输出,旨在降低模型预测控制器对参考模型线性化后带来的跟踪误差。为验证控制策略的可靠性,基于Carsim和Simulink.、Driving Scenario搭建联合仿真模型,将联合控制器和单运动学模型预测控制器进行对比研究。仿真结果表明联合控制器可在完成对给定路径跟踪的基础上,减少转向不足和转向过度的发生,降低了方向误差和位置误差。     

ATM广域网预测式流量控制方案

针对ＡＴＭ广域网的长时延特点,提出了一种预测式流量控制方案,通过预测各交换节点非受控业务流所占用的带宽,对各链路可获得带宽进行预测式分配;预测式方案结合本文作者提出的集中式流量控制机制,保证了带宽分配的公平性和链路利用的高效性;本文还在ＶＢＲ＋ＡＢＲ业务综合传输的情形下,进行了预测式流量控制方案的计算机仿真,仿真结果表明,本文的预测式算法具有带宽分配的公平性和链路利用的高效性,交换节点处缓冲队列很     

基于T-S模型的模糊广义预测控制

对非线性系统建立了T－S模糊模型,并用正交最小二乘法（OLS）对模糊规则的后件参数进行辨识,然后在每一个采样点对系统进行局部动态线性化,根据得到的系统线性化模型对系统采取广义预测控制（GPC）方法得到当前的控制动作,仿真的结果表明了该方法的有效性。     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制