采用预测控制的地铁节能优化控制算法

本文针对地铁列车自动运行系统(automatic train operation,ATO)一般运行情况以及晚点延迟发车情况下的节能问题,基于预测控制算法设计了地铁节能优化控制算法.利用预测控制算法的在线滚动优化特性,通过设计含有能量消耗趋势优化项的控制目标函数,控制算法能够针对节能目标实现快速动态调整.通过调节目标函数中各优化项权重的相对大小,节能算法可以在满足列车时间与路程运行指标的同时,达到降低能耗的目的.在MATLAB平台上利用真实车辆模型对提出的节能优化控制算法进行了仿真,在列车不延迟与延迟的情况下,算法都很好地平衡了跟踪目标与节能目标,为地铁能耗动态优化控制提供了可行方案.     

核学习自适应预测控制器的在线更新方法

针对非线性过程控制器的设计问题,将基于稀疏核学习的一种具有解析形式的自适应预测控制算法与选择性递推核学习相结合.该在线核学习模型可以通过递推算法进行节点增长和删减的有效更新.因此,所提出的控制器复杂度可控,且能学习过程的时变等特性,从而获得更好的性能.通过一非线性时变过程的仿真研究,验证了所提出的核学习控制器较传统的PID和无在线更新的核学习控制器等具有更好的自适应能力和鲁棒性.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

采用dsDNA-MC优化的非线性系统预测控制

将基于DNA双链结构的膜计算优化方法（dsDNA-MC）用于输入受限的非线性预测控制器设计,提出了基于dsDNA-MC优化的非线性系统预测控制算法。在对单输入单输出非线性系统预测控制分析的基础上,将非线性系统预测控制问题归结为具有输入约束的非线性系统优化问题,并采用dsDNA-MC算法来求解这一问题。仿真结果表明该算法可行、有效。     

模糊预测控制算法

模糊预测控制(FPC)是近年来发展起来的新型控制算法，是模糊控制与预测控制相结合的产物。章在预测控制的模型预测、滚动优化、反馈校正机理下，对模糊预测控制模型及其优化控制算法作了归纳，并对模糊预测控制今后的发展进行了展望。     

基于核学习方法的短时交通流量预测

基于核学习的强大非线性映射性能,针对短时交通流量预测,提出一类基于核学习方法的预测模型。核递推最小二乘(KRLS)基于近似线性依赖(approximate linear dependence,ALD) 技术可降低计算复杂度及存储量,是一种在线核学习方法,适用于较大规模数据集的学习;核偏最小二乘(KPLS)方法将输入变量投影在潜在变量上,利用输入与输出变量之间的协方差信息提取潜在特征;核极限学习机(KELM)方法用核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性。为验证所提方法的有效性,将KELM、KPLS、ALD-KRLS用于不同实测交通流数据中,在同等条件下,与现有方法进行比较。实验结果表明,不同核学习方法的预测精度和训练速度均有提高,体现了核学习方法在短时交通流量预测中的应用潜力。     

基于满意优化的非线性预测控制

对多约束的非线性系统建立T—S模糊模型,采用局部线性化方法在每个采样点对非线性系统进行线性化,从而得到系统的线性化模型。针对传统的优化方法无法直接处理带有一定模糊不确定性的优化问题,该文在广义预测控制滚动优化的机制下把具有模糊边界约束的有限预测时域的优化问题,转化为等价的确定性规划问题,通过模糊规划方法来求解多约束的目标函数,从而用满意优化取代传统的二次型性能指标来求解模糊约束条件的预测控制。仿真结果表明了该方法的有效性。     

基于混沌优化的非线性预测控制器

针对非线性系统的控制问题,本文将神经网络辨识、混沌优化和预测控制思想有机结合,提出了一种新型非线性预测控制器.该控制器以神经网络作为预测模型,混沌优化算法作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题.另外在训练神经网络过程中,采用了带混沌机制的自适应学习率的BP算法,以提高神经网络的收敛能力和收敛速度.仿真研究说明了该非线性预测控制器的有效性及实时性.     

基于单步模型算法的PMSM控制策略

分析了永磁同步电机(PMSM)矢量控制系统的工作原理,针对传统PI控制器调节时间长、对电机参数依赖度高的缺点,采用了单步模型算法控制策略。设计了基于单步模型算法的永磁同步电机矢量控制系统,并进行了仿真分析。仿真结果表明,单步模型算法控制策略具有不过分依赖电机数学模型、能较好地抑制各种不确定性干扰等优点,系统在动态过程中有较小的超调,且对于负载扰动具有较强的鲁棒性。     

基于C-R模糊模型的广义预测控制算法

该文对非线性系统的建模采用Cao-Ress(C-R)模糊模型,并用卡尔曼滤波算法在线辨识模糊模型的结论参数,从而减少了参数辨识的数量和避免了矩阵的求逆运算,然后在每一个采样点对该系统进行局部动态线性化,根据得到的系统线性化模型对系统采取广义预测控制(GPC)方法得到当前的控制动作。仿真结果表明了该方法的有效性。     

Nonlinear model predictive control using deterministic global optimization

This paper presents a Nonlinear Model Predictive Control (NMPC) algorithm utilizing a deterministic global optimization method. Utilizing local techniques on nonlinear nonconvex problems leaves one susceptible to suboptimal solutions at each iteration. In complex problems, local solver reliability is difficult to predict and dependent upon the choice of initial guess. This paper demonstrates the application of a deterministic global solution technique to an example NMPC problem. A terminal state constraint is used in the example case study. In some cases the local solution method becomes infeasible, while the global solution correctly finds the feasible global solution. Increased computational burden is the most significant limitation for global optimization based online control techniques. This paper provides methods for improving the global optimization rates of convergence. This paper also shows that globally optimal NMPC methods can provide benefits over local techniques and can successfully be used for online control.     

Optimal design of nonlinear model predictive controller based on new modified multitracker optimization algorithm

The controller design for the robotic manipulator faces different challenges such as the system's nonlinearities and the uncertainties of the parameters. Furthermore, the tracking of different linear and nonlinear trajectories represents a vital role by the manipulator. This paper suggests an optimal design for the nonlinear model predictive control (NLMPC) based on a new improved intelligent technique and it is named modified multitracker optimization algorithm (MMTOA). The proposed modification of the MTOA is carried out based on opposition-based learning (OBL) and quasi OBL approaches. This modification improves the exploration behavior of the MTOA to prevent it from becoming trapped in a local optimum. The proposed method is applied on the robotic manipulator to track different linear and nonlinear trajectories. The NLMPC parameters are tuned by the MMTOA rather than the trial and error method of the designer. The proposed NLMPC based on MMTOA is compared with the original MTOA, genetic algorithm, and cuckoo search algorithm in literature. The superiority and effectiveness of the proposed controller are confirmed to track different linear and nonlinear trajectories. Furthermore, the robustness of the proposed method is emphasized against the uncertainties of the parameters.     

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.     

一种通用学习网络自适应算法及其在预测控制中的应用

针对黑箱过程的辨识与控制,本文提出了一种选择通用学习网络(universal learning network,ULN)节点间延迟时间参数的自适应算法,并将其应用于对控制对象中的纯滞后参数的辨识．将通用学习网络与PID控制器相结合,应用于包含大滞后的系统的模型预测控制(model predictive control,MPC)中．仿真结果证明通用学习网络能够有效地辨识被控对象的纯滞后时间,并能够作为预估器应用于模型预测控制系统中．     

基于粒子群优化的有约束模型预测控制器

研究了模型预测控制(MPC)中解决带约束的优化问题时所用到的优化算法,针对传统的二次规划(QP)方法的不足,引入了一种带有混沌初始化的粒子群优化算法(CPSO),将其应用到模型预测控制中,用十解决同时带有输入约束和状态约束的控制问题.最后,引入了一个实际的带有约束的线性离散系统的优化控制问题,分别用二次规划和粒子群优化两种算法去解决,通过仿真结果的比较,说明了基于粒子群优化(PSO)的模型预测控制算法的优越性.     

分布式预测控制优化算法

复杂大规模预测控制系统的在线实施一直是工业界十分关注的问题之一, 本文针对工业环境下分布式网络结构的特点, 提出了一种基于纳什最优的分布式预测控制优化算法, 在以低成本在线实施的同时, 保持了良好的控制性能, 文中进一步给出了分布式线性模型预测控制算法的收敛条件, 仿真结果表明了该算法的有效性.     

Disturbance compensation incorporated in predictive control system using a repetitive learning approach

In this paper, a disturbance compensation scheme is incorporated into a predictive control scheme using a repetitive learning approach. It has the following contributions. First, based on the assumption of the presence of both state and output disturbances, a predictive control algorithm is derived. Secondly, to estimate the disturbances, two feedforward disturbance learning schemes are proposed. Thirdly, the rigid mathematic proof is given to guarantee the convergence of the tracking error under the proposed disturbance learning laws used in conjunction with the predictive controller formulated. Finally, simulation results are provided to illustrate the good performance achievable by the proposed control law.