不确定离散线性系统鲁棒单调收敛迭代学习控制

针对系统参数矩阵同时含范数有界不确定性的多输入多输出离散线性系统,研究相位超前P型迭代学习控制器鲁棒单调收敛问题.将二维迭代学习控制系统看作一维状态空间模型,借鉴传统离散线性系统中的界实引理,以线性矩阵不等式方式给出了系统跟踪误差单调收敛的存在性条件,同时得出相应的控制器增益计算公式.仿真结果表明了所提方法的可行性和有效性.     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

非线性离散时间系统的迭代学习控制

针对一类非线性离散时间系统，在系统参数未知情形下，提出了一种新的开－闭环迭代学习控制律，并给出了控制律的收敛性证明和收敛条件，在新控制律中，学习增益由线性估计模型确定，因此，避免了试凑增益。由机械手实例的仿真结果及收敛性证明，表明了所提出的控制律的有效性，并对初始状态误差和参数估计误差具有良好的鲁棒特性。     

工业过程控制系统迭代学习算法的增益确定

应用频域和时域（非状态空间法）相结合的方法对简单工业过程控制系统迭代学习算法进行了收敛性分析,在频域得出了用系统参数显示表示的收敛性条件,避免了收敛条件的验证对系统时域模型参数的依赖性,使验证更简洁,用平方积分鉴定法确定了首次学习时误差平方积分最小意义下学习增益的最优值,明确了学习增益选取的目标,数字仿真表明：所确定的学习增益不仅是最优的,而且相应的迭代学习控制能显著改善控制系统的动态品质。     

基于粒子群优化算法的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用粒子群算法(PSO)求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

基于二维模型预测控制的迭代学习控制性能评估方法

实际工业生产常用操作方式是批次过程,可以用迭代学习控制进行控制。针对过程模型未知的情形,采用子空间辨识求解模型参数,以迭代学习控制的性能评估为课题。首先,根据测量得到的输入输出数据构造Hankel矩阵,再借助QR分解、SVD分解等几何工具计算出子空间矩阵,最后由列子空间与行子空间估计出系统模型参数。在获得模型之后,把迭代学习控制作用下的闭环系统转换成二维模型。接着,提出了基于模型预测控制的基准,并给出了详细的推导证明。根据这些算法,得到最优控制律,并拟合出性能评估曲面,从而性能差距可以更直观地反映在三维空间中。最后,通过仿真对上述方法的效果进行了验证。     

一种在线自适应控制马氏链的强化学习算法

讨论平均准则控制马氏链的强化学习算法。目的是寻找使得长期每阶段期望平均报酬最大的最优控制策略,由于事先未知状态转移矩阵及报酬向量,故必需使用自适应控制方法,通过引入称之为行动器和评判器的神经网络构造,使得学习单元在不断学习中,最终能发现最优策略。行动器的参数在学习中不断被修正,每一时刻的参数的值均对应着一个随机控制策略。评判器用来估计这些参数以找出最优控制策略。     

基于粒子群优化算法的的分数阶系统二次型最优控制算法

目前,利用分数阶变分法和分数阶非变分法,解决分数阶系统的二次型最优控制问题时,存在数值算法的收敛效果不够好,近似化的步骤过于繁琐,且计算耗时长,以及在使用传统的梯度迭代优化算法解决分数阶系统的二次型最优控制问题时,对于优化函数要求较高等问题。本文针对一类Caputo定义下的确定性线性分数阶系统,首先,设计一种状态反馈控制器,考虑从优化角度去解决分数阶系统的二次型最优控制问题,然后,利用PSO求二次型性能指标的最优值,即系统的最优控制增益,最终,得到系统的最优控制律。仿真结果表明,PSO比传统的梯度迭代优化算法收敛效果更佳,通用性更好,获得的性能指标更小,验证了该算法有效可行。     

H∞ Guaranteed Cost Control on Impulsive Stochastic Switched Systems

研究了具有外在扰动的脉冲Markov切换线性不确定随机切换系统的保成本H∞控制问题,给出了系统具有保成本H∞性能的充分条件;进一步地,运用线性矩阵不等式(LMI)给出相应的状态反馈增益矩阵和脉冲控制增益矩阵.     

一类不确定随机脉冲切换系统的保成本H_∞控制

研究了具有外在扰动的脉冲Markov切换线性不确定随机切换系统的保成本H∞控制问题,给出了系统具有保成本H∞性能的充分条件;进一步地,运用线性矩阵不等式(LMI)给出相应的状态反馈增益矩阵和脉冲控制增益矩阵.     

非线性稳定解析系统最优控制的迭代法

本文研究非线性稳定解析系统的最优控制问题. 推广线性稳定系统最优控制的Kleimman迭代法, 构造非线性稳定反馈控制序列, 使得相应的评价泛涵序列单调下降和一致收敛, 并证明非线性稳定反馈控制序列一致收敛到非线性最优控制问题的最优反馈控制. 同时,建立一个待定幂级数算法, 计算迭代序列,逼近非线性最优控制问题的最优反馈控制, 并给出一个例子加以演示.     

离散线性系统的单调迭代学习控制

针对一类离散线性系统,提出一种单调收敛的迭代学习控制策略.(1)将离散系统转化为二维系统模型来表示;(2)基于一个简单的二次性能函数,对系统进行了稳定性分析,并得到了系统单调收敛的充分条件,该充分条件由一个线性矩阵不等式(LMI)表示,此外,迭代学习控制律的增益也可由该LMI求得;(3)通过一个仿真实例,验证文章提出的迭代学习控制方法的有效性.     

网络环境下混合时滞系统对时滞参数的自适应控制

在网络环境下,建立了一类复杂的混合时滞系统模型,该模型被控对象为连续系统,控制输入为离散序列且状态时滞参数未知.在分别建立了连续与离散的模型基础上,根据已有的混合系统的稳定性定理,提出了一种镇定系统的方法,并得到了离散形式的可用于控制输入的对未知时滞参数的自适应律.控制方法基于一种Lyapunov-Krasovskii泛函,且在得到的自适应律作用下,对未知时滞参数的估计值能始终被反映在带记忆状态反馈控制器中,且依赖于时滞的反馈控制器,存在的充分条件均可通过一组线性矩阵不等式LMIs表示.     

一类混合时滞系统对时滞参数的自适应控制

研究了一类较为复杂的混合时滞系统——被控状态为连续形式且状态时滞参数未知,而控制输入为离散序列.在分别建立了连续与离散的模型基础上,根据已有的混合系统的稳定性定理及一种Lyapunov-Krasovskii泛函方法,提出了一种镇定系统的方法,并得到了离散形式的可用于控制输入的对未知时滞参数的自适应律.在该自适应律作用下,未知时滞参数能始终反映在带记忆状态反馈控制器中,依赖于时滞的反馈控制器存在的充分条件可通过一组线性矩阵不等式(LMIs)表示.     

线性时滞系统H_∞迭代学习控制器的设计

推导采用闭环迭代学习律的系统收敛充分条件 ,分析该条件并把迭代学习控制设计问题转化为H∞ 输出反馈设计问题 ,然后用线性矩阵不等式 (LMI)方法 ,系统设计线性时滞系统迭代学习控制器 .仿真结果证明该设计方法的有效性     

线性不等式约束下一类线性模型参数估计的渐近解及其收敛性

利用交替迭代算法, 研究在线性不等式约束下具有相同参数的两个线性模型在误差方差未知条件下的参数估计问题, 得到了其参数的最小二乘估计序列及其渐近解, 并利用多元多项式方程组解的个数定理和不动点定理, 证明了此估计序列是依概率1收敛的.     

一类控制方向未知不确定性系统的自适应迭代学习控制

采用了一种自适应迭代学习的控制方法,对于一类含有未知控制方向以及参数化和非参数化不确定性系统进行了研究.结合连续的Nussbaum增益技术,很好地处理了系统中控制方向未知的问题.在满足局部Lipschitz连续条件下,非参数化不确定性可以得到有效的解决.通过构造微分-差分耦合参数自适应律,提出一种自适应迭代学习控制方案,保证系统跟踪误差沿迭代轴方向渐进收敛于零.基于一个构造的Lyapunov泛函,给出闭环系统收敛的一个充分条件.实例仿真结果验证了设计方法是有效的.     

线性时滞系统H∞迭代学习控制器的设计

推导采用闭环迭代学习律的系统收敛充分条件,分析该条件并把迭代学习控制设计问题转化为H∞输出反馈设计问题,然后用线性矩阵不等式（LMI）方法,系统设计线性时滞系统迭代学习控制器,仿真结果证明该设计方法的有效性。     

线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。     

一类多项式系统的事件触发最优控制

该文研究了一类输入仿射多项式系统在事件触发控制下的最优控制问题。首先,基于状态依赖模型和哈密顿-雅克比不等式,将原系统最优控制问题转化为求解一个状态依赖线性矩阵不等式问题。其次,基于Lyapunov函数和事件触发控制策略,并运用平方和算法,得到了该问题的一组可行解并给出控制增益表达式。最后,通过数值仿真验证了所得结果的有效性。