一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

基于SAPSO算法的非线性预测控制方法研究

神经网络模型在非线性系统预测控制中得到广泛地应用,但是存在预测控制律难以求取的问题,文章提出模拟退火粒子群优化(SAPSO)算法来进行优化求解。在对PSO算法与SAPSO算法进行分析的基础上,采用SAPSO优化算法对神经网络预测控制策略进行了优化,再通过仿真实验对PSO算法与SAPSO算法的预测性能进行了比较。仿真结果表明SAPSO优化算法能有效减少迭代次数、提高收敛精度。     

基于RBF-ARX模型的四旋翼飞行器的预测控制

四旋翼飞行器运行中具有不稳定、非线性和强耦合特性,较难建立其准确的数学模型,针对这个问题,提出了基于RBF-ARX模型的预测控制设计方法;RBF-ARX模型是线性自回归(Auto-Regressive eXogenous,ARX)模型和高斯径向基函数(Radial Basis Function,RBF)神经网络相结合设计的模型,可用于建立非线性系统的全局模型,描述非线性系统的非线性特征。预测控制算法根据系统输入、输出信号预测对象未来输出变化趋势,并将其与系统实际输出的误差反馈校正,使误差最小;该法首先建立四旋翼飞行器的RBF-ARX模型结构,就模型参数的辨识、优化给出了详细分析;并基于该模型设计了系统预测控制器,最后通过仿真和实时控制效果证实了该方法的可行性和有效性。     

基于PSO优化的非线性系统无模型控制方法

针对一类非线性离散时间动态系统,提出了基于改进泛模型的非线性控制方法并对该控制律作用下系统的BIBO稳定性及收敛性进行了分析.该方法在改进泛模型的基础之上, 根据二次型性能指标设计最优控制律,其中,时变特征参量建立AR模型进行预报,控制律中的采知参数采用粒子群优化(PSO)算法进行优化.经过优化后的控制律作用于该非线性...     

基于神经模糊模型的CSTR系统预测控制

针对具有高度非线性特性的连续搅拌反应釜(CSTR)控制过程,研究了基于神经模糊模型的预测控制策略.利用神经模糊模型预测CSTR系统在一定预测时段的输出,基于进化规划(EP)的优化算法,使用神经模糊模型的预测输出来确定输入序列,实现对CSTR的PH值跟踪控制,仿真结果表明该方法可以获得满意的跟踪控制效果.     

未知参数非线性系统的自适应广义预测控制

研究非线性系统的稳定性和跟踪优化问题,针对未知参数非线性系统的参数辨识和输出跟踪问题,给出参数自适应广义预测控制方法,为使辨识模型能实时反映被控对象特性以及输出对设定值的跟踪有较高精度.提出将非线性系统转化为受控自回归滑动平均模型,根据输入输出数据辨识模型参数.采用广义预测控制滚动优化的策略得出最优控制律,将最优控制律作用于对象实现非线性系统的优化控制以及系统输出对设定值的跟踪控制.明显克服了自适应控制对模型精度要求高的缺陷且具有在线辨识,滚动优化的特点.最后,通过仿真实例验证了方法的有效性.     

基于微粒群优化算法的非线性系统PWA多模型建模

针对复杂非线性系统,将微粒群优化(PSO)算法与多模型建模相结合,设计了一种基于PSO算法的非线性系统分段仿射(PWA)多模型建模算法。该算法将PWA多模型建模问题转化为混合整数二次规划（MIQP）问题,并基于PSO算法对其进行优化求解。在求解的过程中,采用分层优化求解方法,有效降低优化问题的维数,减小了陷入局部最优的概率,并通过仿真验证了该算法的有效性。     

基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用

提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.     

基于微粒群算法的非线性系统模型参数估计

微粒群优化(PSO)算法是一种进化算法,包含的概念简单.本文不同于传统的非线性模型参数估计方法,将微粒群优化算法应用于非线性系统模型(NSM)的参数估计,并通过重油热解三集总模型参数估计进行PSO算法效果测试.实验结果表明:微粒群算法为非线性系统模型参数估计提供了一种新方法.     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时,存在难以建立精确的数学模型、控制精度不高等缺点,提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型,克服误差积累以及网络规模庞大的缺点;运用粒子群优化（PSO）算法完成非线性预测控制的滚动优化。仿真表明,该方案的控制效果比常规动态矩阵控制效果有所提高,该方案是可行和有效的。     

基于高速收敛粒子群优化算法的非线性系统无模型预测控制

基于无模型控制、粒子群优化和预测控制的思想,提出一种新型非线性无模型预测控制器,并对该控制器的收敛性进行了分析.该控制器以带误差修正的泛模型为预测模型,以高速收敛的粒子群优化算法为滚动优化策略,不仅避免了非线性预测控制中复杂的矩阵求逆运算,而且提高了算法的收敛速度,增强了实时性.仿真研究表明了该控制器的有效性.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

Chaos particle swarm optimization and T-S fuzzy modeling approaches to constrained predictive control

Predictive control of systems is very much related to the efficiency and cost of systems, as well as to the quality of systems outcomes. However, it is difficult to achieve optimal predictive control because most predictive controls for systems have characteristics of randomness, strong and complex constraints, large delay time, fuzziness, and nonlinearity. Conventional methods of solving constrained nonlinear optimization problems for predictive control are mainly based on quadratic programming, which is quite sensitive to initial values, easy to trap in local minimal points, and requires large computational effort. In recent years, T-S fuzzy modeling has been found to be an effective approach in performing predictive control. Intelligent optimization algorithms, such as chaos optimization algorithm (COA) and particle swarm optimization (PSO), have been shown to have faster convergence and higher iterative accuracy than those based on conventional optimization methods. In this paper, chaos particle swarm optimization (CPSO), which involves combining the strengths of COA and PSO, and T-S fuzzy modeling are proposed as approaches to perform constrained predictive control. Predictive control of temperature of continued hyperthermic celiac perfusion for medical treatment based on the proposed approaches was carried out. Simulation tests were conducted to evaluate the performance of temperature control based on T-S fuzzy modeling and CPSO. Test results indicate that the T-S fuzzy model based on CPSO outperforms models based on generalized predictive control, COA, and PSO.     

微分改进RBF网络线性预测控制算法的研究

针对现有非线性系统辨识超调较大和预测控制计算量繁琐等问题,提出了改进的RBF神经网络线性预测控制算法.该方法通过在传统性能指标函数中增加误差微分项,以优化跟踪效果;利用辨识模型作为预测模型,对输出设定值进行线性逼近的反向优化,并实时给出优化控制量.该方法简化了传统预测控制算法,在加快寻优速度的同时,有效地抑制了超调.通过非线性系统仿真实例,验证了该方法的可行性和有效性.     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

基于ESN和PSO的非线性模型预测控制

针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimizatio...     

基于神经网络模型的空燃比非线性模型预测控制

采用基于径向基神经网络（RBFNN）模型的非线性模型预测控制方法,被控对象选择火花塞点火（SI）发动机的空燃比（AFR）高度非线性复杂系统,利用渐消记忆最小二乘法实现基于RBFNN的SI发动机AFR系统建模以及参数在线自适应更新。针对非线性模型预测控制中寻优问题,运用序列二次规划滤子算法对最优控制序列进行求解,并加入滤子技术避免了罚函数的使用。在相同的实验环境下,与PI控制算法和Volterra模型预测控制方法进行仿真对比实验,结果表明,所提算法的控制效果明显优于其他两种方法。     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.