基于Hammerstein模型和GA的非线性广义预测控制

针对Hammerstein型的非线性系统,给出了一种基于GPC的预测控制方法.分析了使用近似法求解控制量的缺点,据此提出了基于遗传算法的控制量优化求解策略.以一个热交换器作为仿真实例,分别使用遗传算法和两种近似法求取控制量,并比较了3种情况下的控制效果.仿真结果表明基于遗传算法的预测控制器具有良好的性能.     

非线性系统的多模型预测控制方法

提出了一种基于多模型的预测控制方法,用于解决典型非线性对象——污水生化处理过程中的控制问题.首先给出了基于局部模型的多模型建模方法,该方法从积累的大量系统输入输出数据中找出与系统当前模态相匹配的数据集合,利用局部多项式拟合方法建立系统的局部模型,再根据系统模态的变化建立系统的多个模型;将所得多模型与预测控制相结合,提出一种多模型预测控制方法,从而解决了一类结构未知、仅使用大批历史数据工业过程的控制问题.仿真试验说明了该方法的有效性.     

一类非线性系统的模型预测控制算法

本文提出一个用于仿射非线系统的模型预测控制算法。首先设计一个静态的非线性状态反馈以获得Ｉ／Ｏ线性化的闭环系统；然后，对此闭环系统设计模型预测控制算法以获得良好的动态特性和抗干扰性能。本文以一个实例说明了该算法的有效性。     

采用免疫搜索的电网电压非线性模型预测控制

对使用非线性微分-代数不等式方程的电力系统模型,采用免疫搜索算法非线性模型滚动预测控制.通过分级目标分解方法,根据每个预测时段上的控制性能要求,将全局多个控制目标分解为预测时段内的优化子目标,运用Pareto意义的子目标加权,集成为一个总目标函数.在搜索最优解中运用免疫算法,将具有多基因链结构的抗体来表达复杂优化问题的候选解,利用免疫算法的学习和记忆能力识别各预测时段内已求解的优化问题类型,用模式识别技术提取优良抗体的基因,预测未来时段内的最优解搜索过程估计出较好的初始解,以加快最优解搜索速度.将此方法和基于树搜索算法的非线性预测控制方法比较,通过一个6母线电力系统实例进行了仿真研究,结果表明：文中提出的算法改进具有更强的优化搜索能力和更好的实时性.     

基于RBF-ARX模型的预测控制

基于RBF-ARX模型的预测控制是针对非线性系统而提出的一种控制方法。本文介绍了基于RBF-ARX模型的预测控制器的结构和预测控制策略,证明了该方法在非线性系统建模和辨识中的有效性。     

一类复杂非线性过程的广义一般模型控制

介绍了一般模型控制（ＧＭＣ）的基本原理,给出了ＧＭＣ方法简单实用的必要条件。针对ＧＭＣ方法只适于相对阶ｒ为１的简单过程的缺点,采用Ｌｉｅ导数的概念,令过程输出的ｒ阶导数的轨迹为事先设定的标称轨迹,通过解优化问题得到控制律表达式,把ＧＭＣ方法推广至相对阶ｒ大于１的复杂多输入多输出过程,从而提出了一种广义一般模型控制（ＧＧＭＣ）方法。仿真结果表明,提出的方法能应用于相对阶ｒ大于１的复杂非线性过程的控制,当采用线性近似模型时,其控制性能与模型预测控制（ＭＰＣ）相近,而计算量则有所降低。     

多模型预测控制的平滑切换

基于预测控制应用在多模型系统时的切换扰动,在切换时间ｔ０ 已知条件下,通过重新构造系统的步限矩阵,提出了一种控制系统平滑切换的广义预测控制算法．预测控制中步限矩阵是预测步限Ｎ 步内Ｄｉｏｐｈａｎｔｉｎｅ 方程的系数．研究了当前计算时刻ｔ在计算步长ｋ：①ｔ＋ ｋ＜ ｔ０＋ １;②ｔ＋ ｋ＝ ｔ０＋ １;③ｔ０＋ １＜ ｔ＋ ｋ≤ｔ＋ Ｎ 三种情况下步限矩阵的元素构成,实现了多模型控制系统的平稳切换．仿真结果表明该方法的有效性     

基于遗传神经网络模型的蔗糖结晶过程预测控制

针对蔗糖结晶过程控制中存在的模型复杂性和检测困难等问题,建立了蔗糖结晶过程的遗传神经网络模型,该模型用一种改进的实数编码提高了遗传算法的搜索能力,并根据该模型建立了结晶过程的预测控制系统,仿真和实验的结果表明,该方法在确定成糖时间和浓度方面是有效的。     

一类非线性系统的广义预测控制

将广义预测控制应用于Hammerstein模型描述的非线性系统,得到了一类非线性系统的广义预测控制算法.仿真结果表明,该算法具有较强的鲁棒性.     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性，提出了一种基于自校正模型的多模型预测控制算法。在平衡点附近建立线性模型，利用当前工作点，通过二阶泰勒展开校正模型参数，补偿非线性不对称动态特性，形成了非线性系统的自校正多模型描述。以基于模型输出偏差的切换指标函数作为模型切换准则，结合状态反馈预测控制，构成了多模型预测控制器。pH值控制的仿真结果验证了该算法的有效性。     

基于BP网络的一种非线性预测控制算法

提出一种基于BP网络的非线性预测控制算法 .该算法根据被控对象自身的非线性特性 ,采用BP网络建立预测模型 ,并利用先验知识缩小网络的规模 ,提高网络的学习速度 ,然后利用遗传算法这一全局优化搜索方法对控制轨迹进行寻优 ,弥补神经网络容易陷入局部极小值的缺点 .非线性多变量系统友、码仿真 ,结果 ,表明核算法具有加快收效易于实现的特点     

生物发酵过程的温度控制模型研究

针对生物发酵过程中温度控制难以建模的问题,基于非线性自回归滑动平均(NARMA)模型,设计了神经网络自回归滑动平均(NN-NARMA)模型.利用径向基神经网络逼近NARMA模型中的映射关系,对神经网络的输出进行了二阶低通滤波,用变异率可调节的遗传算法优化了NARMA模型中的延时参数以及神经网络的输出滤波参数.应用该方法建立了生物发酵过程的温度控制模型,该模型在上温、中温和下温的误差相对于Elman神经网络模型分别减少了38 9%、13 5%和61 3%.该方法具有一定的可操作性,能够较好地解决生物发酵过程中的温度控制建模问题.     

基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解

为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。     

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。     

非线性系统的分层优化预测控制

提出了一种基于分层优化策略和动态最优控制解法的非线性系统预测控制算法,该方法大大减小了在线计算量,使实时控制成为可能.给出了详尽的理论推导,以一个仿真算例证明了算法的正确、可行与有效性.     

一种可分非线性系统的自校正广义预测

对一类可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型。对此模型的线性部分设计广义预测控制器,得出线性部分的控制量。根据此控制量,引入一逆神经网络,结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量。克服了Hammerstein模型中非线性部分的反函数存在性和惟一性的问题。仿真结果验证了该设计的有效性。     

可分非线性系统的自校正广义预测控制

对一种可分非线性系统,采用Hammerstein模型的基本框架,用神经网络对非线性部分建模,线性部分采用受控自回归积分滑动平均模型.对此模型的线性部分设计广义预测控制器,得出线性部分的控制量.根据此控制量,引入一逆神经网络.结合原来的神经网络模型,通过对逆神经网络权值的调整,使神经网络模型的输出为线性部分的控制量,同时得到逆神经网络的输出,即非线性系统的控制量.文章提出的模型克服了Hammerstein模型中非线性部分的反函数存在性和唯一性的问题.仿真结果验证了该设计的有效性.