基于多目标遗传算法的主动悬架滑模控制器设计

为提高车辆的乘坐舒适性和行驶稳定性,针对主动悬架的车身垂直加速度、悬架动行程和轮胎动载荷性能冲突,以及考虑参数不确定与外界干扰带来的鲁棒性问题,本文拟采用滑模控制方法对汽车非线性主动悬架进行主动减振控制研究,并结合多目标遗传算法对滑模控制器进行多目标参数优化.首先,根据1/4车辆主动悬架系统模型利用Lyapunov稳定性理论进行滑模控制器设计;其次,基于滑模控制到达条件和滑模面的稳定条件,结合Hurwitz稳定判据选择合适的滑模面参数;然后,为改进滑模控制方法中按经验选取参数时的不足,采用多目标遗传算法对滑模控制器参数进行多目标优化;最后,进行数值仿真模拟.仿真结果表明,采用多目标遗传算法对滑模控制器进行参数优化后显著地改善了汽车的乘坐舒适性和行驶稳定性,对汽车非线性主动悬架的减振控制起到了一定的推动作用.     

基于RBF-ARX模型的改进多变量预测控制及应用

针对一类工作点时变的光滑非线性多变量被控对象,采用离线辨识的RBF-ARX模型描述系统的全局非线性动态特性,并在此基础上提出一种具有自适应微分作用的非线性模型预测控制方法。该方法将整个预测时域内模型输出和期望输出的偏差变化率考虑到优化目标中,利用与偏差变化率有关的函数动态修改该优化项的权重,从而能在保证控制器稳态性能的情况下有效地改善系统的动态性能。最后利用该方法对四旋翼飞行器实验装置进行了实际的姿态控制,控制效果验证该方法的有效性。     

基于神经元网络的非线性系统间接自校正预测控制器

提出了一种使用神经元网络的非线性系统间接自校正预测控制器。这一控制方法是基于两个神经元网络,一个用于动态过程的建模,另一方面用于获取控制信号。控制器的优化目标基于过程输出的向前多步预测。两个网络在线学习均采用了非线性最小二乘法。     

基于多指标非线性控制的单级倒立摆控制

针对单级倒立摆的稳定性问题,建立了单级倒立摆系统的四阶非线性数学模型,运用多指标非线性控制方法,设计了一个多指标的非线性控制器,并借助于系统特征根配置的方法,整定了该控制器中的c、k参数,实现了小车的水平位置和摆杆角度的稳定控制．最后,同时对线性最优二次型调节器和多指标非线性控制进行仿真对比,仿真表明：与线性最优二次型调节器相比,多指标非线性控制方法在控制效果上更为令人满意．     

热连轧厚度系统的多目标鲁棒预测控制

针对热连轧厚度控制系统模型(AGC),提出基于线性矩阵不等式的多目标鲁棒预测控制算法,有效处理了液压厚度控制系统的参数不确定性、扰动以及约束等问题. 由于所得结果以非线性矩阵不等式形式给出,采用锥补线性化思想将控制器的设计转化为一个受线性矩阵不等式约束的非线性规划问题,求解线性矩阵不等式,根据其可行解构造控制器,实现系统的多目标优化控制策略. 仿真结果表明,该方法有效并具有较好的控制性能.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

基于动态优化的多模型广义预测控制器设计

针对工业控制过程中广泛存在系统参数突变的问题,将多模型切换的广义预测控制器引至动态优化策略下的分层式控制系统中,设计了基于动态优化的多模型广义预测控制器.该模型预测控制结构以获取最大经济效益为目标,上层结构对经济目标函数进行动态优化,得到使经济利益最大的关键变量设定值;下层结构中MPC层采用多模型广义预测控制器代替传统单模型广义预测控制器追踪上层得到的设定值,即采用多个固定模型和自适应模型并行辨识系统的动态特性,提高系统暂态性能和模型参数跳变时系统的调节能力;底层为PID控制器用于抑制过程中的扰动.通过仿真验证了该方法的可行性和有效性.     

有限时间的多领航者一致性算法

针对网络控制系统中的多目标协同控制问题,研究了一种有限时间的多领航者一致性算法。首先以线性的双积分器为研究模型,通过使用恰当的分布式滑模面,设计了一种有限时间控制器。在Lyapunov分析的基础上,证明了该算法能够控制多个跟随者收敛于多个领航者构成的状态凸包内。将该算法用于动力学模型为非线性的移动机器人的协同控制问题当中。数值仿真表明:该算法能够用于解决多静态目标和多动态目标的移动机器人协同控制问题,并且具有良好的干扰抑制能力和快速的收敛速度。     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．     

模型预测控制器权重参数整定非线性规划法

模型预测控制(MPC)权重参数的整定是其取得良好控制性能的关键。针对基于双层结构多目标优化的MPC权重参数整定方法存在求解过程较慢、耗时较长的问题，提出了一种非线性规划整定方法。该方法将MPC权重参数整定中每个时间采样点的MPC子优化问题等价为外层MPC权重参数整定优化问题的最优KKT(Karush-Kuhn-Tucker)条件，将MPC权重参数整定的双层多目标优化问题转化为单层非线性规划问题。仿真案例表明，基于单层非线性规划整定方法的MPC控制性能优于或近似于基于双层多目标优化整定方法的MPC控制性能；而且基于单层非线性规划的整定方法能够快速获得MPC权重参数，时间成本由基于多目标优化整定方法所需的1.0～1.5 h缩短到10～90 s。