不确定时滞系统的PD型迭代学习控制算法

针对不确定时滞系统,在网络时滞范围已知情况下,采用改进PD型迭代学习控制算法补偿网络时滞.在初态是严格重复时,给出这类系统的极限轨迹和迭代输出收敛于该极限轨迹的充分条件.并与P型迭代学习控制算法进行比较.仿真结果表明改进后的PD型迭代学习控制算法能够有效地补偿此类时滞.当网络时滞范围变窄时,能够更加精确跟踪极限轨迹.在相同迭代次数情况下,PD型迭代学习控制算法比P型迭代学习控制算法能更快收敛于极限轨迹.     

基于去伪策略的间歇过程自适应迭代学习

针对间歇聚合反应的质量控制问题,设计一种双层迭代学习的控制结构:外层面向批次间可测的终点质量指标采用基于在线式最小二乘支持向量机的终端质量学习控制,为内层控制提供最优的设定值;对于内层面向批次内可测的过程变量,提出基于去伪策略的自适应迭代学习控制方案,可以较好地解决批次间温度设定值发生改变的问题,提高内层控制鲁棒性。内层控制方法具体如下:首先给出基于共轭梯度法的改进去伪控制算法,然后将改进的去伪控制算法应用于迭代学习的控制框架中,利用去伪算法的实时自适应能力来调整内层迭代学习控制的控制器参数,并以闭环P型迭代学习控制算法为基础推导去伪迭代学习控制器参数自适应律的数学描述。最后,将本文的方法应用于典型的间歇聚合反应过程。仿真结果表明:该方法具有良好的控制效果,在一定程度上可以克服传统迭代学习算法要求参考曲线在迭代过程中保持一致的缺点,而且具有较快的收敛速度。     

控制时滞系统的遗忘因子迭代学习算法研究

提出遗忘因子是关于迭代次数的函数,简化了传统遗忘因子迭代学习控制算法的收敛条件,并给出了收敛性分析.将改进收敛条件的遗忘因子迭代学习控制算法应用于一类带控制时滞的线性系统,给出了仿真实例.仿真结果表明,在改进的收敛条件下,合理地选择遗忘因子函数,带遗忘因子的PD型迭代学习控制算法在研究的控制时滞线性系统应用之下具有一定的有效性和优越性.     

一种改进的广义预测控制方法

为了改善建筑结构控制效果,在模型不精确的前提下达到振动控制的目的.采用实际测量和预测相互结合的广义预测控制算法,通过引入相对稳定性矩阵和可调增益参数的办法来改进原控制算法,提高在地震作用时主动控制系统的稳定性.数值仿真表明:单纯附加相对稳定性矩阵来设计控制器虽然可以提高控制系统的稳定性,但控制效果不能保证,只有引入可调增益参数方可保证振动控制的效果;可调增益参数应该根据实际控制的效果进行调整,而相对稳定性矩阵可根据原系统矩阵来选取,最好取对角矩阵;其对角元素选取以改善原控制系统的极点分布为目的.     

改进PSO算法在污水处理控制器优选中的应用

针对控制性能指标不兼容难以选择控制器,提出了一种改进的PSO控制算法.构造了基于多性能指标参数的目标函数,研究了基于PSO的改进控制算法,剖析了可快速搜索到收敛于全局最优极值所对应各个控制器控制参数机理,以SBR工艺污水处理系统控制器参数选择为例,建立了DO参数控制模型,设计了改进的PID控制器和多模态HSIC控制器.仿真实验显示:改进的PSO算法有更强的鲁棒性和更好的动静态控制品质.研究结果表明该算法用于污水处理系统控制器参数优选的合理性与可用性.     

基于矩阵规范化的直流电机自校正控制

直流电动机实际运行中,模型参数往往会受到运行环境、工况等条件的影响而发生变化,从而导致其系统模型的不确定性.为解决在上述条件下的控制器设计问题,本文介绍了一种基于自校正调节(Self-tuning Regulation)原理的自适应控制算法.该算法利用矩阵规范化的递推最小二乘法(Recursive Least Squares with Matrix Regularization,RLSMR)进行系统时变参数的在线估计,并针对实时辨识的参数采用极点配置(Pole Placement)方法来设计反馈控制器.计算机仿真结果表明,这种基于自校正调节的自适应控制算法对于直流电机的转速控制具有较理想的调节和跟踪能力,并能够很好地适应模型参数的变化.     

多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题.试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能.     

随机非线性系统的在线修正参数预测滤波PID控制

针对一类随机NARMAX模型,分析了其可采用PID控制的约束条件.提出采用辅助模型的可克服算法病态的遗忘因子递推最小二乘算法对被控对象进行参数估计,利用动态切平面逼近的预测算法对系统输出进行预测,基于一具有预测控制性能的增量型预测滤波PID控制算法,根据可克服算法病态的直接极小化指标函数自适应控制算法和Robbins-Monro算法,给出了具有在线修正PID控制参数和加快PID控制参数收敛速度的随机NARMAX模型的自适应预测滤波PID控制算法.仿真研究表明:因给出的PID控制算法具有预测控制性能和在线修正参数性能,故系统具有较好的控制品质.     

模型预估控制的解耦特性

利用严等价关系和基于多项式矩阵的预估控制算法 ,证明了各种模型预估控制算法的控制律在模型准确时是等价的。在此基础上 ,给出了模型预估控制对给定值解耦的充要条件 ,指出解耦后系统可能是不稳定的。给出了关于系统解耦且可任意配置极点的充要条件的定理。由于解耦受稳定性、鲁棒性和控制作用幅度的限制 ,给出了一种局部解耦策略。     

直流变换器的区域极点配置鲁棒PID控制算法

为提高直流变换器对干扰及不确定因素的鲁棒性,提出了一种基于线性矩阵不等式(LMI)的鲁棒PID控制器算法.PID控制器的参数应用区域极点配置(RPA)的方法来整定.考虑受控系统需对干扰具有鲁棒性,将PID控制和H_∞控制相结合,以LMI形式给出H_∞PID控制器的可解性条件.设计的控制器使得闭环系统满足闭环极点分布在指定区域内以获得期望的动态特性,以及对外部噪声的抑制具有最大H_∞鲁棒性能界.此外,该控制器设计方法也可应用于参数不确定的多胞型直流变换器系统.Buck变换器的确定和不确定系统的仿真实验验证了该控制算法的正确性和有效性.     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

改进Monte Carlo算法在非线性方程组求解中的

借鉴数值方法中梯度方法的思想,引进了广义负梯度方向的概念,给出了一种基于广义负梯度方向的Monte Carlo方法--GGMC方法.该方法保持了Monte Carlo算法的普适性和稳定性,并改善了原方法搜索的盲目性和随机性,提高了原方法的搜索效率,缩短了计算时间.将GGMC方法用于算例,收敛速度明显提高.     

自适应渐进结构优化法的调节阀结构研究

传统渐进结构优化法的参数删除率和进化率保持固定,降低了优化过程收敛速度和结构稳定性.文中通过构造一种基于罚值选择与结构信息的参数自适应算法,使得参数随优化迭代过程进行而变化.分析典型算例结果,合适选择罚值的参数自适应渐进结构优化方法解决了传统渐进结构优化方法中参数固定且难以选择的问题,提高了优化过程中优化速度与结构稳定性.将此方法应用于调节阀设计,优化后调节阀刚度提高10%,说明参数自适应渐进结构优化方法可高效拓展至三维结构优化,并为阀门类结构设计提供参考.      

基于改进的DDPG算法的蛇形机器人路径规划方法

针对蛇形机器人执行路径规划任务时,面对复杂环境传统强化学习算法出现的训练速度慢、容易陷入死区导致收敛速度慢等问题,提出了一种改进的深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法。首先,在策略-价值(actor-critic)网络中引入多层长短期记忆(long short-term memory, LSTM)神经网络模型,使其控制经验池中信息的记忆和遗忘程度;其次,通过最优化特征参数将CPG(central pattern generators)网络融入强化学习模型,并设计新型网络状态空间和奖励函数;最后,将改进算法与传统算法分别部署在Webots环境中进行仿真实验。结果表明,相比于传统算法,改进算法整体训练时间平均降低了15%,到达目标点迭代次数平均降低了22%,减少了行驶过程中陷入死区的次数,收敛速度也有明显的提升。因此所提算法可以有效地引导蛇形机器人躲避障碍物,为其在复杂环境下执行路径规划任务提供了新的思路。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

CDMA系统功率控制收敛速度的改善

在码分多址(CDMA)系统中引入博弈论进行更优化的功率控制已成为近年来蜂窝移动通信研究的热点,但传统静态博弈论下的功率控制算法收敛速度不够快,且迭代过程中功率波动幅度较大。针对问题,提出了将动态博弈引入CDMA系统功率控制算法。通过仿真表明,提出的动态博弈功率控制算法与传统静态博弈论下分布式功率控制算法相比,在保证系统总的功率相同的情况下,能大幅度的提高功率的收敛速度。     

混合谱梯度方法及其在医学图像弹性配准中的应用

 大规模优化问题一直是理论研究领域的研究重点,求解无约束最优化问题的混合谱梯度方法将多元谱梯度方法和谱梯度方法有效地 结合在一起,综合了二者的优势,引入非单调线搜索后,形成了全局收敛的混合谱梯度算法,并用于医学图像弹性配准B样条参数 模型的求解。医学图像弹性配准是医学图像处理研究的热点和难点,其中的参数模型往往转化为无约束优化问题的求解,当参数数 目较大时传统的方法求解费时,而混合谱梯度算法较多地利用梯度信息,避免了梯度计算的浪费,与层次B样条结合可以极大地提 高参数配准的优化速度和精度,算法中的非单调线搜索还有助于避免局部最优。     

基于多值编码GA-BP混合算法的板形板厚综合预测控制

为克服BP神经网络存在的收敛速度慢、易于陷入局部极值等不足,提出了可以同时优化BP神经网络的结构和参数的基于多值编码方式的嵌入梯度下降算子的混合遗传算法(GA-BP).并在此基础上针对板形板厚综合系统(AFC-AGC)具有强非线性、强耦合而难以建立精确的数学模型的问题,设计了基于BP网络板形板厚综合预测模型,引入了反馈校正的方法来提高板形板厚控制系统的抗干扰能力.仿真结果表明,该模型可以实现板形板厚的精确控制,为热连轧板形板厚综合控制提供了一个新的有效的方法.     

基于梯度法的高效全局优化算法

用极大似然估计法和交替方向法估计Kriging模型参数, 提出一种基于有效集共轭梯度法的Kriging模型参数优化算法, 并在此基础上改进了高效全局优化算法. 结果表明, 利用改进的全局优化算法可解决高效全局优化算法的过早收敛问题.     

有限规划水平部分可观Markov自适应决策过程的参数决策

提出了一种有限规划水平部分可观、不确定Markov决策过程自适应决策算法.算法的基本思想是运用Bayes理论对未知系统进行"学习”,通过最小决策失误概率的参数决策实现参数估计,在参数估计的基础上进行控制决策从而以最大概率实现最优决策.文中证明了决策算法的收敛性.仿真结果表明了决策算法的有效性.