递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .     

Convergence analysis in sense of Lebesgue-p norm of decentralized non-repetitive iterative learning control for linear large-scale systems

In this paper, a decentralized iterative learning control strategy is embedded into the procedure of hierarchical steady-state optimization for a class of linear large-scale industrial processes which consists of a number of subsystems. The task of the learning controller for each subsystem is to iteratively generate a sequence of upgraded control inputs to take responsibilities of a sequential step functional control signals with distinct scales which are determined by the local decision-making units in the two-layer hierarchical steady-state optimization processing. The objective of the designated strategy is to consecutively improve the transient performance of the system. By means of the generalized Young inequality of convolution integral, the convergence of the learning algorithm is analyzed in the sense of Lebesgue-p norm. It is shown that the inherent feature of system such as the multi-dimensionality and the interaction may influence the convergence of the non-repetitive learning rule. Numerical simulations illustrate the effectiveness of the proposed control scheme and the validity of the conclusion. This research was supported by the National Natural Science Foundation of China under Grant No. F030101–60574021.     

Hierarchical Control for Large-Scale Systems

1. INTRODVCTIONSeveral hierarchical or muli-1evel optidrization approaches have been aPplied to large--sca1e colltro1 problemsduring the last three decades. The theoretical development of decomposition and co--ordination has grownby leaps and bounds [1] and many successful applications have been reported [2]. Recently, the multi-leveloptimization aPproach has benn extended illto large-scale multi--objective system [3, 4]. Most of the muli-level optimization approaches have, however, been…     

基于智能优化算法的T-S模糊模型辨识

将智能算法应用在T-S模糊模型的辨识方面,是模糊系统辨识的一种新途径。文中对几种智能优化算法,如遗传算法(genetic algorithm, GA)、粒子群(particle swarm optimization, PSO)算法、菌群优化(bacterial foraging optimization, BFO)算法等的优化原理和在模糊辨识方面的应用现状进行了综述和分析,并给出了它们在T-S模糊模型辨识中对参数进行优化的过程。最后将这些优化方法用于一非线性动态系统的建模,并对仿真结果进行了对比和详细的分析,为进一步了解这几种优化方法在模糊模型辨识参数优化方面的作用提供了仿真实验依据。     

Application of Hierarchical Optimal Control Theory to Coordinative Management for Water Resources Utilization and Regional Economic Development

ＡｐｐｌｉｃａｔｉｏｎｏｆＨｉｅｒａｒｃｈｉｃａｌＯｐｔｉｍａｌＣｏｎｔｒｏｌＴｈｅｏｒｙｔｏＣｏｏｒｄｉｎａｔｉｖｅＭａｎａｇｅｍｅｎｔｆｏｒＷａｔｅｒＲｅｓｏｕｒｃｅｓＵｔｉｌｉｚａｔｉｏｎａｎｄＲｅｇｉｏｎａｌＥｃｏｎｏｍｉｃＤｅｖｅｌｏｐｍｅ...     

大系统递阶控制问题求解

利用Ｔａｙｌｏｒ级数性质将大系统递阶控制问题转化为代数方程的求解问题，并以算例表明了方法的有效性．     

基于Hopfield网络的不可分稳态大系统递阶优化控制

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题 ,针对利用多目标优化技术把不可分问题转化为可分问题时采用的迭代策略使得计算较慢的问题 ,提出了具有递阶结构的基于 IPM的 Hopfield优化网络 ,并证明了该网络是渐进稳定的 ,其平衡点为原问题的最优点 .仿真表明 ,这是解决不可分稳态大系统优化问题的有效途径.     

基于IBM的递阶优化控制网络

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题.针对利用多目标优化技术把不可分问题转化为可分问题时采用的选代策略使得计算较慢的问题,提出了具有递阶结构的基于IBM的Hopfield优化网络,并证明了该网络是渐进稳定的,其平衡点为原问题的最优点.仿真表明,这是解决不可分稳态大系统优化问题的有效途径.     

间歇生产过程优化控制的分布式仿真平台

间歇生产过程具有时变性、过程不可逆、模型不精确等特点，采用传统的控制方法很难满足市场的需求，如何检验先进智能优化控制算法在间歇生产过程中的实际应用效果是有待深入研究的课题。结合MATLAB强大的运算能力和WINCC开放的人机界面数据处理功能，枸建出间歇生产过程分布式优化控制仿真平台，并将OPC技术应用于该平台的数据实时通讯过程中。通过在该平台上加载先进的控制算法，实现对间歇生产过程的控制和仿真，为先进智能优化控制算法的研究提供了逼真的试验环境。     

基于智能Agent的群组决策支持系统及其在经营过程管理中的应用

信息时代 ,面向企业经营过程管理的决策活动具有广泛的分布性和重要的协同性 .本文旨在运用分布式人工智能的方法研究群组决策支持系统 ,以支持企业经营过程管理 ,特别是支持对市场环境的灵活应变、新产品的快速开发以及经营过程的动态重组 .该系统采用基于智能 Agent的层次分布式体系结构 ,应用多种信息技术和基于模型的协同技术 .     

Markov控制过程基于性能势仿真的并行优化

Markov控制过程是研究随机离散事件动态系统性能优化问题的一个重要模型，并在许多实际工程问题中有着广泛的应用。在Markov性能势理论的基础上，我们讨论了一类连续时间Markov控制过程在紧致行动集上的性能优化仿真问题。由于实际系统的状态空间往往非常巨大，通常的串行仿真算法，可能耗时过长，也可能由于硬件限制而无法实现，故我们提出了一种基于性能势的并行仿真优化算法，来寻找系统的最优平稳策略。一个仿真实例表明该算法有较好的运行效率。该算法可应用于大规模实际系统的性能优化。     

双交叉口两级模糊协调控制算法的研究

基于城市交通智能控制研究课题的需要,提出了一种双交叉口的分级模糊协调控制算法和应用混沌优化自动调整隶属度函数的思想,依此设计了双交叉口的两级模糊协调控制器;应用MATLAB编写了仿真程序,对主次干道车流量相差悬殊和相近两种情况进行了实例仿真,并与传统控制算法进行了比较.仿真结果表明,分级模糊协调控制方法可以有效减少有主次干道之分的交叉口车辆的平均延误,对交通流量均衡的交叉口的控制效果,也比传统算法有显著提高.     

复杂工业过程计算机建模、仿真与控制的综述

复杂工业过程控制是控制科学界的前沿。由于其背景的复杂性、控制对象的可变性 ,至今在实际工程甚至理论上尚未取得实质性进展。因此 ,在复杂环境和任务下的工业过程应当走逐步智能化的道路。在这一智能化进程中 ,试图从复杂工业过程计算机建模、仿真与控制三个方面来探讨其内在实质 ,找出其深层原因 ,同时指出其固有的局限性 ,以助于从事具体科学研究者自觉遵守认识的客观规律。     

基于Agent的农业经济智能决策支持系统研究

将分布式人工智能中的Agent技术融于现代农业经济管理决策支持系统的研究与开发中,提出了基于Agent的农业经济智能决策支持系统(AEIDSS)的结构和组成,引入界面Agent、管理Agent、数据Agent、模型Agent、知识Agent以及各类决策职能Agent构成系统的主要部件,分析了基于分类器系统的Agent实现方法,探讨了在多Agent通讯与合作环境下实现农业经济系统的动态分析、评估、预测以及优化等决策支持功能的工作原理。图2,参13。     

分布式计算机控制系统的递阶优化控制算法

根据大系统分解协调原理，提出了一种适于分布式计算机控制系统（DCCS）的递阶优化算法。应用这种算法，可使各子系统的控制度为局部反馈控制和协调量开环控制的迭加。反馈控制仅与子系统的结构和状态有关，开环控制与系统的结构及系统的所有状态有关。通过动态调整松弛矩阵，可使协调量的收敛速度加快，实验表明，这种方法于DCCS的应用。     

基于统计近似的电梯群控系统的智能算法

针对电梯群控系统所要解决的是一个复杂的、不确定性的多目标随机系统的决策问题,本文提出一种新的电梯系统(EGCS)群控智能算法,综合考虑电梯运行特性,采用统计方法近似计算平均侯梯时间,应用模糊技术计算各电梯响应层站召唤的适合度,从而确定出最优电梯群控策略.仿真结果表明了算法的有效性.     

制粉系统智能解耦控制的分布式仿真实验平台

钢球磨煤机制粉系统具有强耦合、非线性、大时滞等综合复杂性,为解决其智能解耦控制技术的工程化验证问题,建立了制粉系统智能解耦控制的分布式仿真实验平台。该实验平台由优化计算机、集散控制系统(DCS),仪表与执行机构的虚拟装置和模拟现场制粉系统的对象计算机组成。在对象计算机上,通过MATLAB和组态软件之间的无缝链接,有效地模拟制粉系统的输入输出特性。该实验平台的所有过程信号与工业现场一致,实验结果表明它可以有效地从工程角度验证智能解耦控制系统的控制性能。     

时变大滞后过程的专家模糊控制设计与仿真

目前工业过程中的大滞后控制问题仍然是公认的难题,而被控对象参数或结构的时变性更增加了控制的难度。鉴于此,提出一种两层结构的专家模糊控制方案:基本控制级采用仿人智能模糊控制策略,将模糊控制与仿人智能控制技术结合起来,充分利用模糊控制不需要被控对象的数学模型、鲁棒性好,和仿人智能控制抗滞后性强的优点;专家智能协调级吸收专家经验以及仿人智能控制思想,实时调整控制器的比例因子和量化因子。通过MATLAB仿真分析,证明了该方案具有较好的动静态响应特性和较强的鲁棒性,是解决时变大滞后过程控制问题的有效方法。     

时滞大系统的模型参考鲁棒自适应分散控制

基于Lyapunov-Krasovskii (L-K) 泛函方法,结合线性矩阵不等式（linear matrix inequality, LMI）技术以及自适应控制方法,研究了一类不确定时变时滞大系统的模型参考跟踪控制问题,提出了一种鲁棒自适应分散控制器设计方法。时滞无关的控制器设计无需模型参考跟踪控制中苛刻的模型匹配条件且局部状态反馈增益以LMI 形式给出,便于计算机求解和参数优化。为避免控制过程中的自适应参数持续增长问题,提出了死区自适应算法。最后以仿真实例表明了所提方法的正确性与有效性。     

函数优化的元胞蚂蚁算法

蚂蚁算法是一种源于大自然中生物世界的新的仿生类算法,已在一系列困难的组合优化问题求解中取得了成效;元胞自动机作为一种离散的动态模型在大规模的仿真计算能力方面为研究系统的行为提供了有效的虚拟实验室.基于蚂蚁算法和元胞自动机的原理,提出了一种元胞蚂蚁算法及其数学描述,可用于求解连续系统的优化问题.算法在MATLAB环境下实现,并对一些难题实例进行了验证和测试,获得了较好的效果.