间歇生产中过程调度的建模与分析

过程调度在间歇生产过程中起着非常重要的作用。针对过程调度的特点,我们建立了UIS中间存储策略下的间歇过程调度的混合整数规划(MILP)模型和时间Petri网模型,并分别采用Lindo和Hpsim1_1仿真工具对模型进行仿真实现。结果表明,对小规模问题,两种模型都能较好地解决,但前者约束多且描述复杂,而后者以图形化的工具描述单元间的逻辑关系,更适合调度系统的性能分析。     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

稳态大系统中关联平衡法的改进

对于子系统的性能指标按一定顺序耦合的稳态大系统,本文采用两级递阶优化控制算法。利用上下级之间的纵向信息交换对子系统之间的关联进行解耦,利用子系统之间的横向信息传递对目标函数进行解耦,这种方法是对关联平衡法的改进,从而,解决了一类不可分的稳态优化问题,仿真效果好。     

参数未知随机系统的最小方差对偶自适应控制

针对参数未知随机系统的自适应控制问题,研究了最小方差对偶自适应控制。分析了由于未知参数的不确定性,使得运用动态规划原理求解最优控制律时存在着困难,转而寻求次优控制律;给出了差分方程转换成状态空间模型的方法,将未知参数在一个确定的模型集中取值,运用动态规划原理得到各模型的控制律,通过各模型后验概率加权获得次优对偶控制律。给出了算例,以验证此算法的有效性,表明所得到的控制律既有调节作用,又有学习作用。     

可分非凸稳态大系统的全局递阶优化控制算法

讨论了可非凸稳态大系统的全局递阶优化控制问题,提出了一种三级递阶优化算法,该处首先把原问题转化为可分的多目标优化问题,然后凸化非劣前沿,再从非劣解集中挑出原问题的全局最优解,建立了算法的理论基础,证明了算法的收敛性,仿真结果表明,该算法是有效的。     

不确定系统实时保性能控制

研究了一类不确定离散系统在控制约束下的实时控制问题。在SDP凸优化理论的框架下,对这类不确定离散系统实施保性能控制,融合预测控制的优化思想,通过在线求解线性矩阵不等式技术,在满足控制约束的条件下,获得了滚动优化的保性能控制律,并使闭环系统稳定。     

基于Hopfield网络的不可分稳态大系统递阶优化控制

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题 ,针对利用多目标优化技术把不可分问题转化为可分问题时采用的迭代策略使得计算较慢的问题 ,提出了具有递阶结构的基于 IPM的 Hopfield优化网络 ,并证明了该网络是渐进稳定的 ,其平衡点为原问题的最优点 .仿真表明 ,这是解决不可分稳态大系统优化问题的有效途径.     

不可分动态离散系统的两级最优控制算法

讨论了不可分动态系统的最优控制问题 .提出了一种两级最优控制算法 .该算法首先把不可分问题转化为多目标最优控制问题 ,并用加权 Lagrangian公式产生非劣解 ,然后从非劣解集中挑出最优解 .建立了算法的理论基础 ,证明了算法的收敛性 .对两个例子的仿真结果表明算法是有效的 .     

一种基于增强型烟花算法的自抗扰控制的机器鱼路径跟踪控制方法

机器鱼在未知水域进行路径跟踪时受到内外多种未知干扰因素的影响。自抗扰控制(auto disturbance rejection control, ADRC)具有较强的适应性、鲁棒性,是解决非线性、不确定性、强干扰、强耦合、大时滞等控制问题的一种有效方法。为了获得高质量的跟踪效果,提出基于增强型烟花算法的自抗扰控制(enhanced fireworks algorithm-auto disturbance rejection control,EFWA-ADRC)的路径跟踪控制方法。针对ADRC中参数的优化问题,采用增强型烟花算法(EFWA)在线调整,以提高机器鱼在路径跟踪过程中的抗干扰性。以多关节仿生机器鱼为研究对象,结合机器鱼的数学模型,在Serret-Frenet坐标系下建立路径跟踪误差模型,重点设计前向速度和转向速度控制率,构建基于EFWA-ADRC的路径跟踪控制系统。最后仿真与实验结果显示基于EFWA-ADRC与常规ADRC的控制方法使机器鱼分别在2.8 s、3.3 s左右跟踪给定路径,且跟踪误差分别保持在正负0.09 m、0.1 m内,相比于常规ADRC,所提出的控制方法使跟踪的稳态误差降低10%,证明提出的EFWA-ADRC控制器对受到强干扰的被控系统具有更优的控制效果。