基于l_∞范数和l_1范数最小化的二自由度最优鲁棒跟踪控制

研究了具有乘摄动模型不确定性并存在未知干扰系统的最优鲁棒跟踪控制问题 .采用二自由度控制器结构Youla参数化方法将最优鲁棒跟踪控制问题转化为两个相互独立的优化问题 :跟踪问题和鲁棒设计问题 .跟踪问题以l∞ 范数为性能指标通过极小化跟踪误差的最大幅值实现最优跟踪控制 ;鲁棒性设计问题中 ,将模型不确定性视为一种外界干扰 ,通过极小化干扰到误差的灵敏度函数的l1范数使得干扰对跟踪误差的影响最小 .通过截断处理 ,上述两种优化问题均可化为标准线性规划问题 .给出了截断阶数与逼近误差之间的关系 .仿真结果表明新方法的有效性 .     

未知非线性零和博弈最优跟踪的事件触发控制设计

设计了一种基于事件的迭代自适应评判算法,用于解决一类非仿射系统的零和博弈最优跟踪控制问题.通过数值求解方法得到参考轨迹的稳定控制,进而将未知非线性系统的零和博弈最优跟踪控制问题转化为误差系统的最优调节问题.为了保证闭环系统在具有良好控制性能的基础上有效地提高资源利用率,引入一个合适的事件触发条件来获得阶段性更新的跟踪策略对.然后,根据设计的触发条件,采用Lyapunov方法证明误差系统的渐近稳定性.接着,通过构建四个神经网络,来促进所提算法的实现.为了提高目标轨迹对应稳定控制的精度,采用模型网络直接逼近未知系统函数而不是误差动态系统.构建评判网络、执行网络和扰动网络用于近似迭代代价函数和迭代跟踪策略对.最后,通过两个仿真实例,验证该控制方法的可行性和有效性.     

一类含多面体不确定性多项式系统鲁棒镇定

针对一类含多面体不确定性的多项式系统,研究其局部稳定鲁棒镇定问题。基于多项式平方和(SOS)技术,将该类非线性控制问题转换为凸的SOS规划问题,并通过引入S-procedure技术,保证了所得结论在局部范围内是有效的。同时,结合参数依赖Lyapunov函数方法,给出了该类系统鲁棒性分析与鲁棒镇定控制问题的充分条件,并将其描述为可由SOS规划技术直接求解的状态依赖线性矩阵不等式约束集。最后,通过数值仿真验证了该方法的有效性。     

球形对象族的最优鲁棒镇定

本文对球形对象族系统最优鲁棒镇定问题进行了研究.利用最小范数解方法求解球形对象族的可镇定性半径.可镇定性半径是系统稳定性半径的上界,最优控制器的稳定性半径等于镇定性半径.文中给出球形对象族最优鲁棒控制器的形式,并通过示例具体说明球形对象族最优鲁棒控制器的设计方法.     

一类带时滞状态扰动系统的自适应鲁棒镇定

针对一类带时滞状态扰动的系统,讨论了系统的鲁棒自适应镇定问题.当扰动有界且界未知时,运用自适应控制方法,设计出一类自适应控制器.采用Lyapunov＿Karasovskii函数方法,证明了文中所提出的控制器可鲁棒镇定该系统.     

基于l∞范数和l1范数最小化的二自由度最优鲁棒跟踪控制

研究了具有乘摄动模型不确定性并存在未知干扰系统的最优鲁棒跟踪控制问题,采用二自由度控制器结构Youla参数化方法将最优鲁棒跟踪控制问题转化为两个相互独立的优化问题,跟踪问题和鲁棒设计问题,跟踪问题以l∞范数为性能指标通过极小化跟踪误差的最大幅值实现最优跟踪控制;鲁棒性设计问题中,将模型不确定性视为一种外界干扰,通过极小化干扰到误差的灵敏度函数的l1范数使得干扰对跟踪误差的影响最小,通过截断处理,上述两种优化问题均可化为标准线性规划问题,给出了截断阶数与逼近误差之间的关系,仿真结果表明新方法的有效性。     

基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

基于神经网络的自由漂浮空间机器人关节空间鲁棒跟踪控制

针对存在不确定性以及干扰的自由漂浮空间机器人关节空间轨迹跟踪问题,提出了一种基于鲁棒控制思想的神经网络鲁棒控制方法.对于控制器中由系统惯性参数不确定性引起的非线性不确定项,利用径向基函数(RBF)神经网络进行逼近,并且利用鲁棒控制器使系统镇定并保证从干扰到跟踪误差的增益小于或等于给定的指标.最后,对本文提出的控制方案进...     

基于动态参考规划的鲁棒Tube模型预测跟踪控制

为实现扰动和约束作用下对系统的最优鲁棒跟踪, 提出一种动态参考规划(DRP)方法, 设计鲁棒Tube模型预测控制器(RTMPC)将系统状态驱动到以最优跟踪点为中心的扰动不变集内. 基于DRP的RTMPC控制方法, 以多步参考为决策变量, 确保在线优化递归可行性的同时, 增加在线优化的自由度; 另外, 通过设定目标函数惩罚标称状态轨迹和参考稳态之间、以及最后一步参考稳态和设定点之间的加权欧式距离, 可实现最优鲁棒跟踪.     

基于域变换的鲁棒控制器设计

该文提出了一种针对三阶系统快速进行鲁棒控制器设计的方法.该方法通过域变换将三阶系统转换为二阶系统,可以证明,转换后二阶系统的超调量与三阶系统相同,响应时间与三阶系统是线性关系,故通过寻求二阶系统参数的最优值,就可以确定三阶系统快速跟踪且超调量小的鲁棒控制器的形式.算例结果显示,用该方法设计的鲁棒控制器控制参数在一定范围内变化的三阶系统具有很好的鲁棒性.     

Neural critic learning toward robust dynamic stabilization

In this article, we focus on developing a neural‐network‐based critic learning strategy toward robust dynamic stabilization for a class of uncertain nonlinear systems. A type of general uncertainties involved both in the internal dynamics and in the input matrix is considered. An auxiliary system with actual action and auxiliary signal is constructed after dynamics decomposition and combination for the original plant. The reasonability of the control problem transformation from robust stabilization to optimal feedback design is also provided theoretically. After that, the adaptive critic learning method based on a neural network is established to derive the approximate optimal solution of the transformed control problem. The critic weight can be initialized to a zero vector, which apparently facilitates the learning process. Numerical simulation is finally presented to illustrate the effectiveness of the critic learning approach for neural robust stabilization.     

针对时变轨迹的非线性仿射系统的鲁棒近似最优跟踪控制

针对非线性连续系统难以跟踪时变轨迹的问题,本文首先通过系统变换引入新的状态变量从而将非线性系统的最优跟踪问题转化为一般非线性时不变系统的最优控制问题,并基于近似动态规划算法(ADP)获得近似最优值函数与最优控制策略.为有效地实现该算法,本文利用评价网与执行网来估计值函数及相应的控制策略,并且在线更新二者.为了消除神经网络近似过程中产生的误差,本文在设计控制器时增加一个鲁棒项;并且通过Lyapunov稳定性定理来证明本文提出的控制策略可保证系统跟踪误差渐近收敛到零,同时也验证在较小的误差范围内,该控制策略能够接近于最优控制策略.最后给出两个时变跟踪轨迹实例来证明该方法的可行性与有效性.     

基于神经动态优化的非线性系统近似最优跟踪控制

提出一种输入约束下一类连续时间非线性系统最优跟踪控制问题的近似求解方法.针对有限时间跟踪性能指标下一类单输入单输出非线性系统,利用所提出的最优跟踪控制方法实现目标系统所对应性能指标近似最优.首先将系统的性能指标沿时间泰勒展开,得到一个近似的性能指标;其次,在系统状态可观测条件下,将该问题进一步转化为以控制输入为决策变量的非线性规划问题;再次,利用神经动态优化方法,求解含不等式约束下的近似最优控制问题并给出相应的递归神经网络模块原理图;进而,针对整个闭环系统进行理论分析,证明在一定条件下闭环系统的稳定性;最后,通过两个实例仿真验证所提出方法的有效性.     

Robust differential game guidance laws design for uncertain interceptor-target engagement via adaptive dynamic programming

In this paper, the problem of intercepting a maneuvering target is formulated as a two-player zero-sum differential game framework affected by matched uncertainties. By introducing an appropriate cost function that reflects the uncertainties, the robust control is transformed into a two-player zero-sum differential game control problem and therefore ensures the compensation of the matched uncertainties. Additionally, the corresponding Hamilton--Jacobi--Isaacs (HJI) equation is solved by constructing a critic neural network (NN). The closed-loop system and the critic NN weight estimation error are proved to be uniform ultimate boundedness (UUB) by utilising Lyapunov approach. Finally, the effectiveness of the proposed robust guidance law is demonstrated by using a nonlinear two-dimensional kinematics, assuming first-order dynamics for the interceptor and the target.     

输出概率密度函数鲁棒弹性最优跟踪控制

研究了一类随机动态系统的鲁棒弹性最优跟踪控制问题。在采用B样条神经网络模型逼近随机动态系统的输出概率密度函数(PDF)的基础上,同时考虑系统模型和控制器增益不确定性,结合Lyapunov稳定性理论和线性矩阵不等式(LMI)技术,引入增广控制作用,设计基于广义状态反馈的鲁棒弹性最优跟踪控制器,目的是使系统的输出PDF跟踪给定PDF。通过求解LMI,所得控制器不仅能实现跟踪目的,而且能确保该随机动态系统全局稳定并满足一定的线性二次型性能指标上界。仿真结果表明该方法简单易行,且无需任何设计参数调整。     

Adaptive near optimal neural control for a class of discrete-time chaotic system

In this paper, an adaptive critic neural network controller is designed for a class of discrete-time chaotic system. The critic neural network is used to approximate the long-term function. In contrast with the existing results for discrete-time chaotic systems, in this paper, a near optimal control input can be generated when the long-term function is minimized. It is proven that the tracking error, the adaptation laws and the control input are uniformly bounded. A simulation example is employed to illustrate the effectiveness of the proposed algorithm.     

Event-Triggered Optimal Adaptive Control Algorithm for Continuous-Time Nonlinear Systems

This paper proposes a novel optimal adaptive eventtriggered control algorithm for nonlinear continuous-time systems. The goal is to reduce the controller updates, by sampling the state only when an event is triggered to maintain stability and optimality. The online algorithm is implemented based on an actor/critic neural network structure. A critic neural network is used to approximate the cost and an actor neural network is used to approximate the optimal event-triggered controller. Since in the algorithm proposed there are dynamics that exhibit continuous evolutions described by ordinary differential equations and instantaneous jumps or impulses, we will use an impulsive system approach. A Lyapunov stability proof ensures that the closed-loop system is asymptotically stable. Finally, we illustrate the effectiveness of the proposed solution compared to a timetriggered controller.      

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。