随机大系统利用变结构控制的分散镇定*

本文研究了随机大系统的变结构控制问题。并证明了所构造的滑动流形的可达性和均方渐近稳定性。     

具有滞后耦合特性的线性随机大系统的时滞无关均方稳定性*

本文研究具有滞后耦合特性的时不变线性Ｉｔｏ随机大系统的稳定性，得到了大系统平衡态滞后无关的均方渐近稳定性代数判据．文中所考虑的子系统是随机子系统，对它们的假设正好是它们均方渐近稳定的充要条件．另外，文中采用的Ｌｙａｐｕｎｏｖ泛函是确定型的Ｌｙａｐｕｎｏｖ泛函．     

随机大系统的大范围渐近随机关联稳定性

本文通过分析随机大系统的孤立子系统和互联结构,并通过引入两个互联矩阵,提出了非Ito型随机大系统的大范围渐近随机关联稳定性的概念,并给出了充分条件。所考虑的随机大系统的随机噪声服从大数定律。本文给出了一个例子以说明所得结果的可用性。     

非线性滞后Ito随机系统的滞后无关均方渐近稳定性

研究非线性滞后Ｉｔｏ随机系统的滞后无关均方渐近稳定性，将关于线性时滞不等式的Ｈａｌａｎａｙ不等式推广到非线性情形，用Ｌｙａｐｕｎｏｖ函数和关于时滞随机系统的比较原理，得到了非线性滞后Ｉｔｏ随机系统滞后无关均方渐近稳定性的一些判据。     

带有时滞的随机大系统的稳定性

本文对带有时滞的随机大系统给出了滞后无关均方渐近稳定性的定义和判据,所讨论的随机大系统具有随机互联结构。     

基于随机过程的PSO收敛性分析

分析了粒子群优化算法 (PSO) 的全局收敛性. 在已有文献的假设前提下和随机系统理论基础上, 对 PSO 进行算法分析推导, 给出了其动力学系统依均方收敛的一个充分条件, 从而有效地避免了已有文献基于线性时变离散系统研究 PSO 收敛性的不足. 通过对所得的粒子运行轨迹图和已有文献相比较, 得到了更好的结果和判据. 通过仿真实验分析研究, 验证了该结论的有效性.     

时滞随机大系统的分散次优镇定

本文基于Ｒｉｃａａｔｉ矩阵方程、采用Ｌｙａｐｕｎｏｖ泛函研究具有时滞的Ｉｔｏ型随机大系统的分散次优镇定，建立了分散次优镇定的判据，给出了确定分散次优控制器的一个算法，这个算法以求解Ｌｙａｐｕｎｏｖ矩阵方程与Ｒｉｃｃａｔｉ矩阵方程为基础。文中命同了数值算例以说明本文算法的用法。     

迭代函数系统IFS随机分形的生成方法

研究了迭代函数系统IFS随机分形的构造问题,在对已有几种方法分析的基础上,提出了基于概率分布随机和生成元随机的方法.通过引入随机因素对带概率的IFS的伴随概率集作随机化处理,使得伴随概率呈随机分布,在逐次迭代计算过程中对系统生成元进行随机演变,实现IFS随机分形的计算机生成,并以树木模拟为实例展示了所给方法的模拟效果.最后指出了随机分形生成仍需要进一步深入研究的问题.     

时滞线性随机系统的均方稳定性与反馈镇定*

本文研究Ｉｔｏｏ型随机滞后系统的均方稳定性与反馈镇定。文中首先建立了Ｉｔｏ型随机滞后系统的新型稳定性定理，然后采用适当的Ｌｙａｐｕｎｏｖ泛函得到了时滞线性随机系统零解均方渐近稳定的一个充分性判据，该判据适用于完全滞后型的随机系统，据此判据，文中给出了时滞线性随机系统的滞后反馈镇定方法。     

随机系统的变结构控制

研究一般连续型Ito随机系统的变结构控制,构造了滑动流形,给出了变结构控制律,并用算例示范了文中结果的应用方法.     

Stochastic Iterative Learning Control With Faded Signals

Stochastic iterative learning control (ILC) is designed for solving the tracking problem of stochastic linear systems through fading channels. Consequently, the signals used in learning control algorithms are faded in the sense that a random variable is multiplied by the original signal. To achieve the tracking objective, a two-dimensional Kalman filtering method is used in this study to derive a learning gain matrix varying along both time and iteration axes. The learning gain matrix minimizes the trace of input error covariance. The asymptotic convergence of the generated input sequence to the desired input value is strictly proved in the mean-square sense. Both output and input fading are accounted for separately in turn, followed by a general formulation that both input and output fading coexists. Illustrative examples are provided to verify the effectiveness of the proposed schemes.      

时变滞后随机大系统的稳定性：向量Lyapunov函数法

本文研究变系数、变时滞线性随机大系统的均方渐近稳定性，通过将Ｈａｌａｎａｙ不等式推广到高维空间、采用向量Ｌｙａｐｕｎｏｖ函数、运用Ｍ－矩阵等工具，得到了随机大系统的稳定性判据，文中模型考虑了子系统之间的交互随机干扰，所得稳定性判断是滞后无关的。     

随机分布控制系统的自适应迭代学习控制

介绍输出概率密度函数(PDF)常规的迭代学习控制(ILC)的收敛条件,并利用此条件设计相应的迭代学习律.主要讨论如何解决输出PDF迭代学习控制(ILC)中的过迭代,收敛速度等问题.以离散输出概率密度函教(PDF)控制模型为基础,介绍了直接迭代学习控制算法收敛的必要条件,提出自适应的迭代学习参数调节方法和避免过迭代的迭代结束条件,这些措施能够保证输出PDF的迭代控制收敛且具有较快的收敛速度.仿真结果表明,输出PDF的自适应迭代学习控制具有较快的收敛速度,而学习终止条件能很好地避免过迭代.     

Iterative Learning Control for Discrete-time Stochastic Systems with Quantized Information

An iterative learning control (ILC) algorithm using quantized error information is given in this paper for both linear and nonlinear discrete-time systems with stochastic noises. A logarithmic quantizer is used to guarantee an adaptive improvement in tracking performance. A decreasing learning gain is introduced into the algorithm to suppress the effects of stochastic noises and quantization errors. The input sequence is proved to converge strictly to the optimal input under the given index. Illustrative simulations are given to verify the theoretical analysis.      

一类广义系统的迭代学习控制

在对广义系统进行标准分解的基础上, 研究了含脉冲快子系统的迭代学习控制问题. 通过 Frobenius 范数给出了快子系统在 P 型学习律作用下收敛的充分性条件, 同时通过梯度法给出求解增益矩阵的方法. 其次, 讨论了单输入单输出不确定广义系统的迭代学习控制问题, 通过优化方法给出该系统在 P 型学习律作用下, 系统实际输出尽可能快地收敛到理想输出的增益矩阵的选择方法.     

Networked Iterative Learning Control Design for Nonlinear Systems with Stochastic Output Packet Dropouts

This paper develops two proportional‐type (P‐type) networked iterative learning control (NILC) schemes for a class of discrete‐time nonlinear systems whose stochastic output packet dropouts are modeled as 0‐1 Bernoulli stochastic sequences. In constructing the NILC schemes, two kinds of compensation algorithm of the dropped outputs are given. One is to replace the instant‐wise dropped output data with the synchronous desired output data; the other is to substitute the dropped data with the consensus‐instant output data used at the previous iteration. By adopting the lifting technique, it is derived that under certain conditions the expectations of the tracking errors incurred by the proposed NILC schemes converge to zero along the iteration axis. Numerical experiments are carried out for validity and effectiveness.     

非线性大系统的跟踪具有不同幅值轨线的分散型迭代学习控制器

在大型工业过程递阶稳态优化中, 可行的方法是利用系统的实际信息以修正基于模型的最优解. 在这种情形下, 得出一幅值不等的阶跃型控制值序列, 而且该控制值序列依次激励实际系统. 本文将一组迭代学习控制器分散地嵌入到一类非线性工业过程的递阶稳态优化进程中, 每一子系统的迭代学习控制器将产生一强化的控制信号序列以替代相应的具有不同幅值的阶跃型控制值序列, 目的是不断改进系统的暂态品质. 通过卷积的 Hausdorff-Young 不等式, 本文分析了学习控制律在 Lebesgue-P 范数意义下的收敛性, 讨论了系统的非线性性和关联性对控制律收敛性的影响. 最后, 数字仿真验证了所研究的学习控制机理的正确性和有效性.     

离散非线性系统开闭环P型迭代学习控制律及其收敛性

本文在讨论了一般开环与闭环迭代学习控制的不足后，针对一类离散非线性系统，提出了新的开闭环ＰＧ型迭代学习控制律，给出了它的收敛性证明，仿真结果表明：开闭环Ｐ型迭代律优于单纯的开环或产才环Ｐ型迭代 律。