线性跟踪微分器及其在状态反馈控制中的应用

目的 给出线性跟踪微分器的设计方法,并研究将其用于控制系统状态反馈的效果。方法 利用积分器反馈方法,给出了α阶线性跟踪微分器（可实现对微分信号的α阶静态无差跟踪）及γ阶强跟踪微分器（可直接获得待微分信号的Ｉ￣γ阶微分估值）两种线性跟踪微分器设计方案,并将其用于直接获取状态及进行状态反馈控制的仿真研究。结果与结论 结果表明只要合理地选择跟踪微分器的类型及参数,无论对线性系统还是非线性时变系统,这一方     

双曲正弦非线性跟踪微分器设计

针对传统跟踪微分器算法复杂、参数整定困难和噪声抑制能力有限的不足,设计了一种新型双曲正弦非线性跟踪微分器(HNTD)。引入终端吸引子函数和双曲正弦函数构造了HNTD的跟踪函数,并证明了其全局一致渐近稳定性。通过仿真分析设计参数变化对HNTD频域特性的影响,为其设计参数的整定提供参考。双曲正弦函数既能保证HNTD状态收敛的快速性,又能有效避免平衡点附近的颤振现象;终端吸引子函数则保证了HNTD对噪声良好的抑制效果。仿真结果表明,HNTD的跟踪和滤波效果与传统跟踪微分器相比,不仅结构形式简单、设计参数相对较少、整定规则明确,而且在跟踪精度、响应速度和滤波能力等方面均具有一定的优势。     

解泊松方程的快速预处理共轭梯度法

为了满足电子技术中电磁问题求解器的工程需求 ,通过分析泊松方程均匀差分离散所得模型问题的矩阵结构 ,提出了共轭梯度法的三角阵预处理器 .在用数值试验考察了其参数的特性后 ,给出了参数的经验估计方法 .实现了带参数的三角预处理器共轭梯度法求解器 .实例表明 ,该算法比常规共轭梯度法和超松弛法具有更低的计算复杂度 ,而它们存储复杂度相同 .不仅所实现的求解器具有实用价值 ,而且所给出的预处理构造技术具有进一步发展的余地 .     

无约束非线性优化问题的混合LS-CD谱共轭梯度法

为寻求收敛性质和数值表现具佳的无约束优化算法,利用共轭梯度法和含有两个方向调控参数的谱共轭梯度法,结合LS方法与CD方法给出混合的共轭参数和相应的谱参数,建立采用标准Wolfe线搜索的谱共轭梯度算法,证明了算法满足下降性和全局收敛性,数值试验显示算法是有效的,适合于求解大型无约束非线性优化问题.研究结果表明:谱共轭梯度法两个参数的适当构造有利于降低算法的收敛条件,增强算法的适用性.     

N阶线性跟踪-微分器及其在电力系统相角预测中的应用

证明了一种N阶线性跟踪一微分器的收敛性。由于该线性跟踪一微分器的结构参数和跟踪性能对噪声和对象有一定的敏感度和依赖性，采用自适应遗传算法对三阶线性跟踪一微分器的结构参数进行了优化，以期获得较好的参数匹配，提高跟踪预测的精度和速度。将优化后的三阶线性跟踪一微分器用于电力系统参考相角预测研究中，仿真结果证明，优化后的三阶线性跟踪一微分器具有较好的跟踪性能和预测精度，满足电力系统相角预测的要求。     

求解无约束优化问题的两个谱共轭梯度法的全局收敛性

谱共轭梯度法含有两个方向调控参数,是一种结合共轭梯度法和谱梯度法的无约束优化方法。本文建立新的共轭参数和谱参数,提出无约束优化问题的两个谱共轭梯度法,这两个新方法在精确线搜索下等价于FR共轭梯度法。然后,证明了算法1在Wolfe线搜索下和算法2在Armijo线搜索下的全局收敛性,并给出了算法的数值实验结果,验证了算法的有效性。     

求解无约束优化问题的两个谱共轭梯度法的全局收敛性

谱共轭梯度法含有两个方向调控参数,是一种结合共轭梯度法和谱梯度法的无约束优化方法。本文建立新的共轭参数和谱参数,提出无约束优化问题的两个谱共轭梯度法,这两个新方法在精确线搜索下等价于FR共轭梯度法。然后,证明了算法1在Wolfe线搜索下和算法2在Armijo线搜索下的全局收敛性,并给出了算法的数值实验结果,验证了算法的有效性。
     

一类改进的谱共轭梯度法

谱共轭梯度法是在共轭梯度法基础上发展起来的新型算法,其特点是有两个方向控制 参数,是解决大规模无约束优化问题的有效方法,也是优化工作者研究的热点。本文基于已有的 非线性谱共轭梯度法提出了一类新的谱共轭梯度法,利用新构造的共轭方向调控参数βk构建了新 的算法,并保证了该算法在任何线搜索下都满足共轭条件,进而在迭代时产生的搜索方向都是充 分下降的。在Wolfe线搜索下,该方法的全局收敛性得以验证。     

基于Wolfe线搜索的修正共轭梯度算法

为解决大型无约束优化问题,设计新的修正参数公式,建立基于Wolfe线搜索的共轭梯度算法和谱共轭梯度算法,证明了新算法的下降性和全局收敛性.初步的数值实验表明算法是有效的.     

一个修正的NVPRP方法

非线性共轭梯度方法是解决大规模无约束问题最有效的方法之一,提出了一类新的修正共轭梯度算法,新算法推广了黄海东等的共轭梯度参数算法,不依赖任何线搜索且具有充分下降性;然后,在标准Wolfe非精确线搜索下,得到了新算法的全局收敛性.