对称离散事件系统状态树结构模型的控制函数不变性研究

针对对称离散事件系统中使用监督控制理论计算得到的自动机形式的监督控制器状态数较多且无法清晰反映控制逻辑等问题,提出了基于状态树结构的抽象控制函数计算方法。该方法通过充分利用系统的对称性,对避免缓冲区出现上溢或者下溢的性能指标,采用事件重标记映射提取各组中处于加工完成状态的组件数目,从而省去了各组件复杂的运行细节;然后利用状态树结构计算得到基于抽象状态信息的控制函数;最后,结合各组组件并行工作与串行工作的实例,分析所得控制函数的不变性,即在缓冲区容量固定的前提下,控制函数所需的状态信息与组件总数量无关。实验结果表明:在实际应用中借助控制函数的不变性可在结构相同的组件增减时免于重复计算控制函数;各组中重标记为同一事件的各可控事件可由同一控制函数进行使能,有效减少了控制函数的个数;相比于自动机形式的监督控制器,控制函数状态数更少且能更清晰地描述控制逻辑。     

改革会计人员管理体制,完善监督机制,确保会计信息的真实性

财务管理是企业的命脉,是企业管理的重要环节。财务管理的实施者即财务人员能否在企业的财务工作中充分发挥管理作用,发挥正能量,取决于自身的道德素质和业务水平,更重要的是建立健全严密的管理制度;如果使财务信息真实完整,是整个社会都应关注和重视的,确保整个社会经济秩序的良性循环。     

一类不确定非线性系统的自适应模糊控制

对一类不确定非线性系统提出自适应模糊控制方法。此方法用模糊逻辑系统设计自适应模糊监督控制器和自适应模糊控制器,且设计补偿器对逼近误差进行补偿,以此来减少逼近误差对跟踪精度的影响,同时对自适应模糊监督控制器和自适应模糊控制器中的未知参数设计了自适应学习律。证明了该方法不但能保证闭环系统稳定,而且可使跟踪误差收敛到原点的邻域内。仿真结果验证了此方法的有效性。     

实时状态树结构模型的最优非阻塞模块化监督控制研究

针对传统的实时离散事件系统监督控制方法中存在监控器的设计复杂度高、结构不灵活且不易维护的问题,在实时状态树结构模型的基础上,提出了一种实时离散事件系统的最优非阻塞模块化监督控制方法。该方法根据不同的控制任务,将被控系统的性能指标划分为若干个子性能指标的合取形式,并且对每一个子性能指标分别设计子最优非阻塞监督控制器。由这些子最优非阻塞监督控制器构造被控系统的模块化监督控制器,给出了最优非阻塞模块化监督控制器的存在条件;通过设计协调器来解决整个闭环系统可能阻塞的问题。实验结果表明,模块化监督控制方法不但可以有效地降低实时离散事件系统监督控制器的设计复杂度,而且保证所得到的模块化监督控制器是最优且非阻塞的。     

一类非线性系统的监督控制

在监督控制方案下实现了一类非线性系统的输出调节，过程是全局Lipschitz的严格反馈形系统，含有不确定的定常参数，假设参数属于一个已知的、由有了个元素组成的集合、控制方案可分成控制器组和监督器两部分。根据参数的先验知识，用反传方法设计确定性等价的控制器，组成候选控制器组、监督器对参数进行在线辨识，实现控制器之间的切换，最终将过程的输出调节到零。     

浅谈企业投资项目进行后评价的重要性

随着市场竞争的不断加剧,资本市场对企业的压力逐渐增大。因此,加强投资管理工作,提高投资效益越来越受到企业的重视。而投资项目的后评价作为投资管理的重要环节及投资决策的重要辅助手段,也随之被企业提上了重要的议事日程。本文在研究投资项目后评价理论的基础上,提出建立和实施企业投资项目后评价监督机制,为有效防止企业投资项目决策上的随意性提供保证。     

离散事件系统的监督控制理论

本文综述了离散事件系统监督控制基本理论及成果。介绍了离散事件系统的自动机表示、监督控制、模块化监控、分散监控，以及与之有关的语言可控性、可观性和可识别性等概念。     

用Visual C＋＋实现PC与PLC之间的串行通讯

在工业控制中，常常需要对PLC的采集数据和工作状态进行监测控制，实现的方式有VB、DELPHI、PB等．Visual C＋＋是一种Windows应用程序开发工具，在图形处理和数据库管理等方面具有较强的功能，用它来实现底层的通信控制有着更快的速度，采用Visual C＋＋和MFC实现实时要求较高的小型控制系统中的PC和PLC的串行通讯系统，给出了系统的通讯原理和软件设计方法，实现数据的快速发送和接收，实时自动控制准确、快速。该系统简单、经济、稳定、实用性强并已成功应用于实际系统中。     

神经网络监督控制在船用一体化压水堆功率控制中的应用

设计了一种船用一体化压水堆功率控制的神经网络监督控制系统,在系统中神经网络作为前馈控制器,PID控制器作为反馈控制器.对压水堆功率控制过程进行了计算机仿真,仿真结果表明,与传统的PID控制相比,神经网络监督控制具有较强的自适应能力和鲁棒性,有效地提高了控制系统的精度.     

基于Levenberg-Marquardt算法的神经网络监督控制

提出了基于Levenberg-Marquardt(L-M)算法的前向多层神经网络在线监督的控制方法，其算法是梯度下降法与高斯－牛顿法的结合，对于训练次数及准确度，L－M算法明显优于共轭梯度法及变学习率的BP（Back Propagation)算法，适用于在线学习与控制，因此，利用L－M算法的特点进行在线训练神经网络，以实现实时非线性控制，仿真结果表明，该控制方法优于常规控制算法，明显改善了在未知负载扰动时，伺服系统的踊跃性能，显著地降低了跟踪误差，具有很强的抗干扰能力。