基于Q学习算法和BP神经网络的倒立摆控制

Q学习是Watkins[1]提出的求解信息不完全马尔可夫决策问题的一种强化学习方 法.将Q学习算法和BP神经网络有效结合,实现了状态未离散化的倒立摆的无模型学习控 制.仿真表明:该方法不仅能成功解决确定和随机倒立摆模型的平衡控制,而且和Anderson[2] 的AHC(Adaptive Heuristic Critic)等方法相比,具有更好的学习效果.  

倒立摆的双闭环模糊控制

对倒立摆采用双闭环的模糊控制方案，内环控制倒立摆的角度，外环控制倒立摆的位置，两个模糊控制器的设计都很简单，执行时间很短。在实际倒立摆装置上的实验结果验证了该方案的可行性和良好的控制性能。  

二级倒立摆的参变量模糊控制

本文主要研究用参变量模糊控制对二级倒立摆进行实时控制的问题。提出了Ｆｕｚｚｙ控制多变量系统的一种分析方法，给出了综合误差、综合误差变化率的概念，并叙述了综合系数的设计方法。应用综合误差理论设计了带参变量Ｆｕｚｚｙ控制器，且用３８６微机对二级倒立摆进行实时控制，取得了较好的效果。  

拟人控制二维单倒立摆

以二维单极倒立摆为被控对象，利用拟人控制的思想形成非线性控制律，并确定出反馈系数间的相对关系。通过在线调试实现定性控制律的量化，从而成功地控制了二维单级倒立摆的稳定。与传统的控制系统设计相比，不依赖于数学模型，不受线性约束；与模糊控制相比，不需要人类直接被控对象的经验。拟人控制方法设计简单易行，且得到的控制系统具有较强的鲁棒性。  

云模型在倒立摆控制中的应用

文中提出了一种利用云模型有效地实现单电机控制的三级倒立摆动态平衡的方法。通过研究倒立摆系统的定性控制机理，给出了定性和定量之间转换的云模型的形式化表示，用来反映语言值中蕴涵的模型性和随机性。  

Matlab神经网络工具箱BP算法比较

BP前馈网络，应用的最为广泛的神经网络，目前拥有许多算法。研究了Matlab神经网络工具箱提供的多种BP算法函数各自的优势和不足，以能在各种不同条件面对不同问题时选用更合适更快速的算法。在介绍了这些算法的基本原理的基础上，以一级倒立摆模型为例进行仿真研究。分别选用简单网络和复杂网络，并对学习步长做了改变，对比了各种BP算法在不同情况下的迭代次数和仿真时间，验证了新型BP算法的优势，得出了对简单网络和复杂网络应该如何选用BP算法的结论。  

二级倒立摆的状态变量合成模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题，提出用状态变量合成模糊神经网络控制二级倒立摆。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题，又能对状态变量可摈性质和类型分类的多变量系统，大大减少模糊神经网络控制器的规则数，有利于利用专家的控制经验。实验结果证实了该方法的控制效果好，鲁棒性强。  

基于LQR最优调节器的倒立摆控制系统

倒立摆控制系统是一个典型的高阶次、不稳定、多变量、非线性和强藕合控制系统。本文研究分析了单节倒立摆控制系统的数学模型，介绍了线性二次型最优调节器(LQR)的基本原理，并用该方法实现对单节倒立摆的最优控制，MATLAB仿真结果和实验结果表明了该方法的有效性。  

圆轨单级倒立摆摆起过程控制

研究圆轨单级倒立摆摆起控制问题，以离散控制律为设计交量，以终点约束条件为目标函数，提出了倒立摆摆起控制律的优化算法。对控制律进行编程计算，成功地实现了圆轨单级倒立摆的快速摆起。仿真计算结果表明了所提出方法的有效性和可行性。  

基于滑模变结构的倒立摆系统稳定控制

利用滑模变结构控制对一级倒立摆系统进行了有效控制.首先对一级倒立摆系统的模型进行线性化处理,再利用滑模变结构控制方法对此模型中摆的镇定、台车位置的调节和系统参数不确定性设计了具体的控制规律,并使用饱和函数的方法抑制系统的抖振.最后在Matlab/Simulink上进行了仿真实验,实验结果说明滑模变结构控制方法是有效的.