基于遗传算法的非线性模型预测控制方法

介绍了非线性模型预调控制算法结构，提出了基于遗传算法的非线性模型预测控制方法，将遗传算法作为优化技术用于受限非线性模型预测控制器的设计。算法采用双模控制策略，将保证预测控制算法稳定性的终点等式约束转化为终点不等式约束，以利于遗传算法的实施。基于不变集理论，给出了非线性模型预测控制算法的稳定性定理。仿真结果表明了所提出控制算法的可行性和有效性。     

基于T-S 模型的模糊预测控制研究

提出一种基于T—S模型的模糊预测控制策略．利用模糊聚类算法高线辨识T—S模型，采用带遗忘因子的递推最小二乘法进行模型参数的选择性在线学习；对模糊模型在每一采样点进行线性化，将T—S模型表示的非线性系统转化为线性时变状态空间模型，并将约束非线性优化问题转化为线性二次规划问题，解决了非线性预测控制中如何获得非线性模型和非线性优化在线求解的难题．将预测域内的线性模型序列作为预测模型，减小了模型误差，提高了控制性能．pH中和过程的仿真验证了该方法的有效性．     

基于信赖域二次规划的非线性模型预测控制优化算法

针对非线性预测控制如何在有限时域内有效的求解非凸非线性规划这一关键问题, 本文采用序列二次规划方法, 将非线性规划转化为一系列二次子规划求解. 首先根据非线性规划联立方法将系统状态和控制量同时作为优化变量, 得到以控制量步长为优化变量, 只包含不等式约束的子二次规划问题, 并用它取代原SQP子规划, 减小了子问题的规模; 随后采用基于信赖域二次规划的方法求解子规划问题, 保证每次迭代的可行性; 同时采用一种能够保持SQP问题Hessian矩阵稀疏结构的更新方法, 也在一定程度上降低了算法的复杂程度.最后的仿真结果表明了该方法的有效性.     

基于输入输出线性化的连续系统非线性模型预测控制

非线性约束预测控制关键是求得可行性优化解. 输入输出反馈线性化是非线性控制一种常用的方法, 其系统的初始线性输入约束转化成非线性基于状态的约束, 因而无法采用常规的二次规划(QP)求解优化问题. 针对连续状态空间模型系统, 本文提出迭代二次规划方法来寻求非线性优化解. 为了保证算法的收敛性, 系统加入另外一种迭代算法来保证其在整个预测时域上能得到可行解. 仿真控制结果表明了该方法的有效性.     

基于序列二次规划的非线性不等式状态约束滤波算法

针对非线性不等式状态约束滤波问题,提出一种基于序列二次规划的迭代不敏卡尔曼滤波算法。在迭代不敏卡尔曼滤波的基础上,采用序列二次规划优化法求解非线性不等式约束条件下的最优解。通过对每一次迭代求解二次规划子问题来确定下降方向,重复该步骤直到求得原问题的解,利用效益函数对目标函数最小化和不等式约束条件进行权衡,以保证算法的收敛性,利用正定矩阵近似海森矩阵降低时间复杂度。对具有约束的航路跟踪系统进行实验仿真,结果表明,该算法在处理非线性不等式状态约束滤波问题时,能够有效地提高状态估计精度,获得较高的滤波精度,且时间复杂度较低。     

基于遗传算法的结晶器液位约束广义预测控制

针对实际连铸过程中结晶器液位控制须满足多种约束的问题,将一种基于遗传算法的有约束广义预测控制方法（ＧＣＧＰＣ）应用于结晶器液位控制．首先基于机理模型构造了有约束结晶器液位广义预测控制器;然后以遗传算法处理带约束的非线性优化问题,并以此作为滚动优化策略,求得最优控制律．仿真结果表明,在有效处理了约束的基础上,基于遗传算法的有约束广义预测控制效果优于ＰＩＤ 控制以及无约束广义预测控制．     

基于最小二乘支持向量机的汽轮机故障诊断

提出一种小波包分析与最小二乘支持向量机相结合的汽轮机故障诊断模型．对故障信号功率谱进行小波分解,简化了故障特征向量的提取．用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束．从而将二次规划问题转变为线性方程组的求解．选用RBF函数作为核函数。并提出对核函数的参数进行动态选取。提高了诊断的准确率．仿真结果表明该模型具有较强的非线性处理和抗干扰能力．     

基于动态规划的约束优化问题多参数规划求解方法及应用

结合动态规划和单步多参数二次规划, 提出一种新的约束优化控制问题多参数规划求解方法. 一方面能得到约束线性二次优化控制问题最优控制序列与状态之间的显式函数关系, 减少多参数规划问题求解的工作量; 另一方面能够同时求解得到状态反馈最优控制律. 应用本文提出的多参数二次规划求解方法, 建立无限时间约束优化问题状态反馈显式最优控制律. 针对电梯机械系统振动控制模型做了数值仿真计算.     

一种双足机器人实时步态规划方法及相关数值算法

针对步行双足机器人实时步态规划问题,提出了一种改进的非线性模型预测控制（NMPC）方法．采用扩展的关节坐标,将单腿支撑相（SSP）和双腿支撑相（DSP）统一表示为一个非线性动力学模型．通过对SSP和DSP的3个阶段设定运动学和动力学虚拟约束,将复杂实时步态规划问题转化为4个以预测时域内控制量二次型为代价函数的NMPC问题．采用直接法将连续优化问题参数化为有限维优化问题,并采用惩罚函数法将状态变量约束转化为代价函数中的惩罚项,从而得到能够用渐进二次规划（SQP）求解的有限维静态优化问题．仿真结果表明,应用该方法对BIP机器人模型进行实时步态规划,实现了包含足部转动的动态步行,且机器人满足稳定性条件,不发生侧滑,从而证明了该方法的有效性和可实现性．     

基于能耗优化的六足机器人摆动腿轨迹规划

以六足机器人单腿为研究对象,研究机器人摆动腿轨迹规划问题.由于摆动要消耗能量,所以提出了一种基于能耗优化的轨迹规划方案.结合以D-H法建立的机器人单腿运动学模型和腿部位置、速度、加速度等约束,采用多项式插值法在关节空间对机器人摆动腿进行轨迹规划.在考虑直流电机有效功率和热损耗的基础上,通过遗传算法对非线性等式和不等式约束下的非线性规划问题进行求解.仿真结果表明,所设计的方案能有效降低摆动腿能量消耗并保证轨迹连续平滑.     

飞行器上升段轨迹的优化设计

针对飞行器上升段轨迹优化求解困难的问题,提出一种基于正交配点的优化求解方法。该方法以第二类切比雪夫正交多项式的零点作为系统控制变量和状态变量的离散点,利用拉格朗日插值多项式对状态和控制变量进行拟合。通过对多项式的求导将动力学微分方程约束转化为代数约束,从而把无限维的最优控制问题转化为一个有限维的非线性规划(Nonlinear Programming,NLP)问题。随后,利用序列二次规划(Sequential Quadratic Program-ming,SQP)方法求解转化后的NLP问题,获得最优的飞行轨迹。最后,飞行器上的仿真结果验证了所提方法的有效性。研究成果可为飞行器的制导控制提供可行的飞行轨迹,有一定的工程应用价值。     

基于FPGA的非线性预测控制器设计

对于非线性程度较高的复杂对象,非线性模型预测控制（NonlinearModelPredictiveControl,NMPC）是一种有效的控制策略。为了实现对这类对象的有效控制,设计了一种基于FPGA（FieldProgrammableGateArray）的非线性预测控制器,该嵌入式控制器具有灵活性和高适应性等特点,能够应用于工业现场控制。为了满足工业控制的可行性和实时性要求,提出了一种序贯二次规划（SQP）算法的改进算法,在FPGA有限的计算资源下,保证每个采样间隔内都能得到NMPC优化问题的可行解。经仿真实验证明,采用非线性预测控制器在计算速度和精度上都能达到较好的性能。     

基于SQP算法的SAR成像导引头三维弹道优化

弹载SAR平台轨迹的设计是研究弹载SAR成像算法的前提。为了在满足SAR成像条件的同时降低导弹打击时间,需要对SAR成像导引头的弹道进行优化。该问题属于非线性最优控制问题,本文采用序列二次规划(SQP)优化算法进行求解。首先以波束驻留时间最小为指标函数,导弹俯仰、偏航加速度为优化变量,建立了SAR成像导引头三维弹道优化模型,模型的约束包括SAR成像约束、过载约束和导弹飞行高度约束。然后,将原最优控制问题进行参数化,转换成非线性规划问题,利用SQP算法进行求解。参数化时,离散节点越多,得到的非线性规划问题规模越大,求解速度就越慢。仿真结果表明,SQP算法能够有效解决SAR成像导引头三维弹道优化问题,得到的解满足模型约束。     

约束Hammerstein系统非线性预测控制及在聚丙烯牌号切换中的仿真研究

对状态和输入受约束的Hammerstein系统, 提出一种新的可保证闭环指数稳定的非线性模型预测控制策略. 基于线性子系统镇定的最优控制律, 滚动预测非线性代数方程的解算误差, 继而在线优化计算满足约束的预测控制量. 进一步, 得到闭环系统指数稳定的解算误差上界. 从而闭环系统不仅满足约束而且对解算误差具有鲁棒性. 最后以工业聚丙烯牌号切换控制为例, 仿真验证本文算法的有效性.     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题,可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时,存在易收敛到局部极小或者非可行解,对初始值敏感等缺点,提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法,在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验,求解两个标准函数优化问题,结果表明PSO能够快速有效地求得全局最小点,而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中,仿真结果显示了该方法的有效性。     

结合序列线性规划法的混合遗传算法

通过将遗传算法与改进的序列线性规划法相结合，形成混合遗传算法．当迭代点没有发生交叉和变异时，将目标函数和约束条件在迭代点处线性化，为使迭代点邻域仍然满足约束条件，加入软约束项，用线性规划方法进行寻优．该方法具有全局收敛性，不要求迭代点一定为可行点．仿真结果验证了此法的有效性和合理性．     

Nonlinear model predictive control for models in quasi‐linear parameter varying form

This article presents a nonlinear model predictive control (NMPC) approach based on quasi‐linear parameter varying (quasi‐LPV) representations of the model and constraints. Stability of the proposed algorithm is ensured by the offline solution of an optimization problem with linear matrix inequality constraints in conjunction with an online terminal state constraint. Furthermore, an iterative approach is presented with which the NMPC optimization problem can be handled by solving a series of Quadratic Programs at each time step, this being highly computationally efficient. A practical and simple way of obtaining quasi‐LPV representations of the system using velocity‐based linearization is presented in two examples.     

基于Volterra模型的预测控制及应用

由于工业实践的需要,非线性预测控制近年来受到广泛地关注.Volterra模型是一类特殊的非线性模型,非常适合描述工业过程中的无记忆非线性对象.传统的基于Volterra模型的控制器合成法及迭代计算预测控制器法计算量大,且不便于处理控制约束.非线性模型预测控制求解是典型的非线性规划问题,序列二次规划(sequential quadratic program,SQP)算法是求解非线性规划问题常用方法之一.针对Volterra非线性模型预测控制求解问题,本文将滤子法与一种信赖域SQP算法相结合,提出一种改进SQP算法用于基于非线性Volterra模型的带控制约束的多步预测控制求解,并分析了所提方法的收敛性.工业实例仿真结果证实了所提方法的可行性与有效性.