一类n阶区间系统的鲁棒输出反馈镇定

给出一类n阶区间系统输出反馈控制器的设计方法：首先利用适当选择的正交变换，将一类n阶区高系统的稳定性检验问题转化为较低阶的问题，并给出这类n阶区间系统稳定性判别准则，进一步地将稳定性分析结果应用于这类系统的鲁棒输出反馈控制器的设计。最后通过示例说明本文所给出的方法的有效性和实用性。     

一类分布参数问题的鲁棒稳定性

在文献[1]，[3]的基础上，应用李雅普洛夫方法，从时滞非线性问题的稳定性出发，研究其零解大范围渐近稳定的充分条件；进而研究时滞非线性分布参数问题的鲁棒稳定性，最后给出其零解鲁棒稳定的充分条件和有关证明。     

反向响应时滞过程PID控制器设计新方法

基于常规单位反馈控制结构，研究了工业中常见的反向响应过程的特性，给出了PID控制器的解析设计新方法．通过提出期望闭环传递函数．解析地推导出PID控制器的形式，同时分析了闭环控制系统所能达到的控制性能和鲁棒稳定性．由此给出了控制器参数的调节规则．该PID控制器的突出优点是可以进行单参数整定，通过单调地调节控制器参数，实现闭环系统的标称性能和鲁棒稳定性之间的最佳折衷．仿真实例验证了该方法优于其他方法．     

一类不确定的非线性时滞大系统的鲁棒稳定性

针对具有分离变量的不确定时滞大规模系统,基于非线性的Lyapunov泛函和矩阵不等式的分析方法,获得了一些不依赖时滞的鲁棒稳定性判据.所考虑的不确定时滞大规模系统具有时变未知且有界的不确定参数和状态时滞,非线性的执行机构具有分离变量的形式.这类系统也可以看成线性系统的自然推广,其实际背景是把一个线性系统的部分线性元件换成了非线性元件.所获得的鲁棒稳定性判据适用于系统具有多个非线性执行机构的情形.     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

线性时滞系统的鲁棒稳定性

基于控制界研究较为活跃的领域之一即线性时滞系统的鲁棒稳定性，利用系统自身结构特征和信息的提取对系统进行了重新表达，利用系统自身的Lyapunov方程的对称解，采用放大矩阵不等式的方法，首先对线性时滞系统得到系统稳定的充分条件，进而给出判别不确定线性时滞系统的稳定性的充分条件，最后给出实例检验其有效性。给出的定理条件易于表达，由于参数少而容易检验。     

区间系统鲁棒稳定性和鲁棒镇定性的检验条件

讨论了区间系统的鲁棒稳定性和鲁棒镇定性的有限检验问题,给出了线段多项式鲁棒稳定性的充分必要条件,利用该条件对多项式多面体鲁棒稳定性和区间系统鲁棒镇定性进行了有限检验,并给出了相应的检验结果。该检验条件直观简明,利用它可非常方便地对这些区间系统进行鲁棒稳定性分析。     

航行补给中的补给船鲁棒同步控制

针对航行补给作业的补给船同步航行控制问题,考虑了补给船动态不确定性和未知时变环境扰动,将扰动观测器和矢量逆推方法相结合,设计了补给船鲁棒同步航行控制律.在被补给船的某一舷外引入与其航迹距离相对固定的虚拟航迹,构造扰动观测器,估计由船舶动态不确定性和时变扰动构成的复合扰动;采用矢量逆推方法,设计补给船鲁棒同步航行控制律,使补给船能够以任意小的误差跟踪虚拟航迹,从而实现补给船与被补给船的同步航行,并保证补给船航迹闭环控制系统中所有信号全局一致最终有界.基于一艘补给船的仿真研究结果及比较验证了所提出的补给船同步航行控制律的有效性和低保守性.     

不确定条件下多产品第四方物流闭环网络鲁棒优化研究

在不确定条件下,构建了一个包括生产商、集中退货中心、消费区/初始退货点、维修处理中心、分销中心和废弃处置中心的单周期多产品第四方物流闭环网络选址模型。在销售量和退货率均不确定的情况下,用鲁棒优化的方法进行优化,目标是使总成本最小。通过lingo 10对具体算例进行求解。结果验证了该模型的鲁棒性。     

呼叫中心人力资源配置鲁棒规划模型

针对现实呼叫中心中顾客到达不确定的问题,建立了基于排队论的离散流体模型,解决了考虑鲁棒性呼叫中心的人力资源配置问题.通过区间数据来表示顾客到达的不确定集,利用可调整鲁棒优化方法的思想,分析了鲁棒优化模型与确定性优化模型的关系.数值试验表明,使用可调整鲁棒参数的鲁棒优化方法减小了呼叫中心到达率不确定性给呼叫中心系统带来的影响;到达率越大,对应的最优的鲁棒参数越大,模型越保守.