基于单网络ADP的一类未知非线性系统的近似最优控制

针对一类未知的连续非线性系统,提出一个基于单网络近似动态规划(ADP)的近似最优控制方案。该方案通过设计一个新型的递归神经网络(RNN)辨识器放松了系统模型需已知或部分已知的要求,并利用一个神经网络(NN)近似系统的性能指标函数消除了常规ADP方法中的控制网络。通过Lyapunov理论分析严格证明了闭环系统内所有信号一致最终有界,并且所获得的性能指标函数和控制输入分别收敛到最优性能指标函数和最优控制输入的小邻域内。仿真结果验证了所提出控制方案的有效性。     

求一类H∞控制最优值的非迭代算法

本文讨论了一类H∞最优控制问题,并给出了求H∞控制最优值的非迭代算法,最后通过一个简单例子说明非迭代算法的计算过程.     

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.     

基于混合迭代贪婪算法的分布式车间调度研究

分布式协同生产已逐渐成为经济全球化和生产国际化背景下的主要生产方式。以总装配时间为优化目标,提出一种混合迭代贪婪(HIG)算法,求解分布式装配阻塞流水车间调度问题(DABFSP)。在HIG算法的初始化阶段,采用问题驱动的构造启发式方法生成初始解。在HIG算法的破坏-重构阶段,采用基于邻域信息的扰动策略更新可行调度序列。在HIG算法的局部搜索阶段,使用基于邻域结构的插入操作进一步更新可行解。以一定概率接收较差调度序列进入下一代,从而避免算法早熟收敛。在试验阶段,选取了以不同工件数、机器数、工厂数和产品数为组合的共计900个问题实例,测试、比较了HIG算法和其他8种先进对比算法的性能。通过统计学分析得出结论：在求解DABFSP时,所提出的HIG算法具有显著的优势。     

基于线性化神经网络的一类非线性系统优化迭代控制

１多层前向神经网络建模考虑如下的多输入多输出系统ｙ（ｋ）＝ｆ（ｙ（ｋ－１）Ｔ,ｙ（ｋ－２）Ｔ,…,ｙ（ｋ－ｐ）Ｔ,ｕ（ｋ－１）Ｔ,ｕ（ｋ－２）Ｔ,…,ｕ（ｋ－ｑ）Ｔ）．（１）上式中ｕ（ｋ）∈Ｒｍ,ｙ（ｋ）∈Ｒｎ分别为系统的输入输出;ｐ,ｑ为系统的阶次...     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制,将神经网络引入迭代学习控制中。学习控制与自适应控制相结合,使得对网络权值的学习和跟踪控制同时进行,克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法,证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

基于改进迭代贪婪算法的预制构件调度研究

迭代贪婪算法是一种具有较强局部搜索能力的元启发式算法,但由于传统迭代贪婪算法搜索范围过大,搜索效率有限,为了进一步提升传统迭代贪婪算法的搜索能力,考虑到阈值接受算法具有能缩小搜索范围的特点,提出了一种改进的迭代贪婪算法解决流水车间预制生产的订单接受与调度问题。该改进算法是在破坏原调度序列后加入一种基于构造启发式规则的重建策略,并结合阈值接受算法的自适应接受准则用以跳出局部最优。经大量仿真实验结果显示,与传统迭代贪婪算法、禁忌搜索算法以及遗传算法对比,改进的迭代贪婪算法具有更好的求解质量和鲁棒性。     

非线性系统近似最优PD动态补偿控制

本文研究了一类基于动态补偿的非线性系统的近似最优PD控制的问题.用微分方程的逐次逼近理论将非线性系统的最优控制问题转化为求解线性非齐次两点边值序列问题,并提供了从时域最优状态反馈到频域最优PD控制器参数的优化方法,从而获取系统最优的动态补偿网络,设计出最优PD整定参数,给出其实现算法.最后仿真示例将所提出的方法与传统的线性二次型调节器（LQR）逐次逼近方法相比较,表明该方法具有良好的动态性能和鲁棒性.     

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.     

一类受约束非线性系统的有限时间优化镇定

优化控制方法可以考虑系统性能和节省能源,但是不能给出初始稳定区域的描述.本文阐述的优化控制方法可以给出初始稳定区域的描述,使得约束非线性系统有限时间稳定.首先设计有限时间优化控制器使得系统的状态在有限时间内进入初始稳定区域,同时优化目标函数,系统实现性能最优和消耗最小.进而设计有限时间鲁棒镇定控制器使得系统的状态在有限时间内收敛到原点. Lyapunov函数分析方法给出了吸引域的估计,并确保在不同状态下,设计的控制器使得闭环系统有限时间稳定.最后给出了一个仿真实例验证算法的有效性.     

迭代学习控制的回顾与展望

本文综述了迭代学习控制和神经网络学习研究的概况，并对其存在的问题和发展趋势作了讨论。     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.     

神经网络在湿蒸汽干度测量中的应用

针对油田蒸汽干度测量存在的精度过低的问题,提出了用自适应学习BP网络进行测量的方案。同时在学习中将实际生产中存在的不可测量干扰考虑在内,采用非二次方成本函数来减少这些干扰的影响,从而提高了测量精度。辽河油田的现场试用证明了这种方法的有效性。     

A Recurrent Neural Network for N-Stage Optimal Control Problems

A recurrent neural network is introduced for the N-stage optimal control problem. The new neural network is based on a reformulation of the original optimal control problem and the gradient method. The simulation results on two examples indicate that the new neural network is quite effective.     

利用人工神经网络SNC进行最优励磁控制

BP神经网络是一种多层结构的映射网络。由于它计算简单、存储量小,并具有分布并行处理特性,所以是目前应用最广的一种模型。本文设计了一种BP神经网络的监督学习控制器（SNC）,在线性最优励磁控制的基础上,利用3层BP神经网络对柴油发电机的控制过程进行监督学习。通过对网络的训练,使其能达到实时控制的目的。仿真结果表明,所设计的SNC在系统运行方式较大的变化范围内,都能提供很好的控制性能。     

神经网络优化的迭代学习控制在黄酒发酵中的应用

黄酒发酵过程是一种一边糖化一边发酵的复式发酵方式,在糖化和发酵之间需要建立动态平衡。鉴于发酵温度对活化酶和酵母的影响,本文通过控制反应温度来控制黄酒产品质量。黄酒发酵过程是一个典型的间歇过程,本文运用迭代学习控制对发酵温度进行控制,并利用神经网络优化迭代学习律的增益。仿真结果表明了该方法的有效性,且能在较少的迭代次数下,以最快的收敛速度,较高的跟踪精度逼近期望轨迹。     

迭代学习神经网络控制在机器人示教学习中的应用

示教学习是机器人运动技能获取的一种高效手段.当采用摄像机作为示教轨迹记录部件时,示教学习涉及如何通过反复尝试获得未知机器人摄像机模型问题.本文力图针对非线性系统重复作业中的可重复不确定性学习,提出一个迭代学习神经网络控制方案,该控制器将保证系统最大跟踪误差维持在神经网络有效近似域内.为此提出了一个适合于重复作业应用的分布式神经网络结构.该神经网络由沿期望轨线分布的一系列局部神经网络构成,每一局部神经网络对对应期望轨迹点邻域进行近似并通过重复作业完成网络训练.由于所设计的局部神经网络相互独立,因此一个全程轨迹可以通过分段训练完成,由起始段到结束段,逐段实现期望轨迹的准确跟踪.该方法在具有未知机器人摄像机模型的轨迹示教模仿中得到验证,显示了它是一种高效的训练方法,同时具有一致的误差限界能力.