多操纵面飞机交叉耦合鲁棒控制分配策略

针对多操纵面飞机气动效能的交叉耦合不确定性, 基于混合优化提出一种鲁棒控制分配策略.将交叉耦合效应描述为控制效能结构不确定性, 建立分配 误差最小的单目标鲁棒最小二乘控制分配模型, 给出等价线性矩阵不等式构型.进一步, 考虑操纵面偏转能量约束, 建立鲁棒混合优化控制分配模型, 以避免单目标 优化下操纵面易饱和的问题.仿真结果表明, 所提出的方法可容忍交叉耦合效应不确定性, 实现操纵面协调控制分配, 具有较好的鲁棒性.     

纯反馈非线性系统的鲁棒自适应跟踪控制

针对一类非仿射函数不连续的纯反馈非线性系统,提出了一种鲁棒自适应控制方法。放宽了对非仿射函数的连续性条件和边界条件,非仿射函数的边界均为未知连续函数,利用动态面控制技术避免了对虚拟控制律反复求导而导致的计算复杂性问题。从理论上证明了所设计的方法能够保证闭环系统所有信号半全局一致终结有界,且通过选择合适的设计参数使系统输出能渐近收敛到原点的任意小邻域内。仿真结果表明了所提出方法的有效性。     

控制方向未知的高次不确定非线性系统低复杂度预定性能控制

本文研究了控制方向未知的高次不确定非线性系统预定性能控制问题.基于有理分式函数类型的误差转换,通过设计具有切换形式的控制器,提出了一种低复杂度的控制方法,并利用Lyapunov理论和反证法证明了闭环系统稳定性.与现有其他方法相比,该方法具有适用范围广、跟踪精度高、容错能力强、控制器简单等优点.仿真结果验证了本文结论.     

基于正交变换的改进CKF算法

为了解决容积卡尔曼滤波(CKF)算法在处理高维问题时出现的非局部采样问题,提出基于采样点正交变换的改进CKF算法(TCKF).从数值积分近似角度导出无迹卡尔曼滤波(UKF)和CKF两种近似滤波算法,并指出CKF只是UKF的一个特例;基于多元Taylor级数展开分析,揭示CKF在克服UKF数值不稳定性问题的同时,引入非局部采样问题;对Cubature点集进行正交变换得到TCKF算法,并从理论上证明,在高维、强非线性等非局部采样问题突出的滤波模型中,TCKF具有比CKF更高的估计精度.仿真实例验证了所提出算法的有效性.     

完全分布式异构多智能体系统有限时间跟踪

针对异构二阶非线性多智能体系统有限时间跟踪问题,提出一种完全分布式一致性控制方法,消除对于误差上界与Laplacian矩阵特征值等全局信息的依赖.设计一种只包含局部信息的有限时间一致性协议,并提出自适应增益的分布式切换机制,使得各增益以分段常数的方式进行调节,简化了相邻两次切换时间区间内稳定性分析过程.通过反证法证明多智能体系统必将实现有限时间一致性,并且自适应增益保持有界.仿真结果验证了所提出的完全分布式一致性协议的有效性.     

基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。     

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。     

基于Huber的鲁棒广义高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时广义高阶容积卡尔曼滤波(GHCKF)的鲁棒性,提出一种基于Huber的鲁棒GHCKF算法.从近似贝叶斯估计角度,解释Huber方法作用于卡尔曼滤波的本质是对新息进行截断平均.采用Huber方法处理观测量,进行标准的GHCKF量测更新,从而实现算法的鲁棒化.所提出算法充分利用容积变换的优势,无需通过统计线性回归模型对系统的非线性量测模型进行近似.仿真结果表明,所提出算法具有鲁棒性强和估计精度高的特点.     

多无人机目标追踪自适应控制

针对多无人机自动驾驶仪速度与航向角通道系数未知的目标轨迹追踪问题,提出一种自适应追踪控制方法.通过对自动驾驶仪通道系数进行在线估计,解决了系数未知所造成的设计困难.为克服外界干扰及系统内部误差因素对无人机运动控制系统的影响,设计了补偿项来消除干扰项的影响.采用Lyapunov定理证明了轨迹追踪误差最终可收敛于任意小的区域内.仿真结果验证了所设计方法的有效性.