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.     

基于线性二次型的单神经元PID最优控制器设计及仿真

讨论了线性二次型最优控制理论在神经网络PID控制系统中的应用.将二次型性能指标引入单神经元PID控制器中,设计出单神经元自适应PID最优控制器,从而实现了PID参数在线自适应寻优.给出了完整的设计过程和学习算法,分析了其稳定性.最后,运用MATLAB仿真实现证明了该方法的可行性、有效性,并得到了较为理想的控制效果.     

非线性系统的PD型迭代学习控制

非线性系统的ＰＤ型迭代学习控制孙明轩黄宝健张学智（西安工业学院电子系西安７１００３２）关键词初始条件问题,迭代学习控制,非线性系统．１）国家自然科学基金资助项目．收稿日期１９９６－０７－２５１引言运用迭代学习控制技术设计控制器时,只需要通过重复操作获...     

基于模糊网络的非线性不确定系统的迭代学习控制

针对非线性不确定系统，为保证受控制系统的响应特性，应用模糊网络理论构建了非线性系统的模糊模型；基于模糊模型给出了模糊迭代学习控制算法．实例分析和仿真验证表明，所给算法能跟踪系统参数变化，并且能自动调整控制增益，对于系统的扰动影响具有鲁棒性，是一种行之有效的控制方案．     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

基于ANN的非线性系统GPC算法及仿真研究

将神经网络（ANN）技术应用于常规GPC算法,设计了基于ANN的非线性系统GPC结构方案,并对其控制原理和控制算法进行研究,基于ANN高度非线性映射等特性,运用数字仿真方法,对所设计的控制结构方案进行仿真研究,仿真结果显示,基于ANN的非线性系统GPC结构方案合理可行,并取得了满意的控制效果．     

基于控制性能的MIMO非线性系统动态面控制

针对一类不确定非线性MIMO(multiple-input multiple-output)系统,在动态面控制方法的基础上,提出了自适应跟踪控制方案.通过引入性能函数和输出误差转换,保证输出信号具有指定的跟踪速度、跟踪误差、最大超调量.为了避免控制奇异问题,采用神经网络直接逼近期望控制信号.该方案无需估计神经网络的权值,仅对1个参数进行自适应律设计.理论证明了闭环系统所有信号有界,仿真结果验证了所提方案的有效性.     

一类非线性相似组合大系统的迭代学习控制

利用状态反馈部分线性化技术研究了一类非线性相似组合大系统的迭代学习控制问题。与现有结果不同的是，它不直接研究系统本身，而是构造一个适当的 反馈，然后对闭环系统给出其迭代学习收敛的充分条件，     

一类受限非线性系统显示模型预测控制器

提出了一种利用神经网络与显示预测控制相结合来处理一类带约束非线性系统的新方法。首先基于神经网络理论对非线性系统进行建模,通过对神经网络中转移函数的最大最小值的调整构造多面体描述的线性时变系统来包裹原非线性系统,然后采用多参数规划在线离线相结合的方法建立显式模型预测控制系统。最后对该方法进行仿真实验,仿真结果证明,采用这种方法可以很好的描述非线性系统,改善控制器的控制效果。     

An Iterative Learning Control of Nonlinear Systems Using Neural Network Design

In this paper, a feedforward neural network with sigmoid hidden units is used to design a neural network based iterative learning controller for nonlinear systems with state dependent input gains. No prior offline training phase is necessary, and only a single neural network is employed. All the weights of the neurons are tuned during the iteration process in order to achieve the desired learning performance. The adaptive laws for the weights of neurons and the analysis of learning performance are determined via Lyapunov‐like analysis. A projection learning algorithm is used to prevent drifting of weights. It is shown that the tracking error vector will asymptotically converges to zero as the iteration goes to infinity, and the all adjustable parameters as well as internal signals remain bounded.     

非线性系统在任意初值下的PID型迭代学习控制

针对一类在有限时间区间上重复运行的非线性系统,给出了一种可以解决迭代学习控制中任意初值问题的PID型迭代学习算法及其收敛条件。采用算子理论证明了该算法的收敛性,结果表明该算法不仅有效解决了迭代学习控制的初值问题,而且放宽了收敛条件。仿真分析及与PD型迭代学习控制算法的仿真结果的对比证明,非线性系统在任意初值条件下经过PID型迭代学习后跟踪精度显著提高,输出误差曲线更快速趋于零,表明了该算法的有效性。