基于混沌优化的LS-SVM非线性预测控制方法

针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,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,仿真研究说明了该非线性预测控制器的有效性及实时性。     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

基于集结策略的非线性稳定预测控制器

针对有约束非线性系统预测控制在线计算量大的问题，引入集结策略降低其在线计算量并重点讨论了系统的稳定性问题．指出当控制器的终端状态处于某集合内且集结衰减系数的上界满足一定条件时，其最优目标函数递减．进而提出了一个双模控制律，可使系统渐近稳定．最后，通过仿真对该结论进行了验证．     

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法（ACO）优化BP神经网络（BPNN）的网络流量混沌预测模型（ACO-BPNN）。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。     

混沌优化方法的研究进展

混沌是一种普遍的非线性现象,具有随机性,遍历性和内在规律性的特点,由于遍历性可作为避免搜索过程陶入局部极小的有效机制,因此混沌已成为一种新颖且有潜力的优化工具,为了让混沌优化这一新兴研究方向为更多工作者所了解,此文综述了混优化方法的研究进展,包括基于混沌的函数优化与基于混沌神经网络的组合优化,并在分析混沌优化特点的基础上讨论了有等发展的若干研究课题。     

一类非线性系统LMF优化迭代神经网络控制器

提出一类非线性系统ＬＭＦ优化迭代神经网络控制器的设计方法。该方法在正向神经网络辨识模型的基础上，应用ＬＭＦ优化迭代方法进行控制器设计，理论证明，只要神经网络辨识模型的精度足够高，就会获得很好的控制精度。为补偿辨识和迭代学习误差，给出了通过引入反馈补偿控制器提高控制精度的方法，仿真结果证明了该方法的有效性。     

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。     

混沌系统的神经网络预测控制

提出一种基于预测控制的神经网络控制方法，将模型未知时的混沌运动控制到不稳定的不动点（UFP）处，该控制系统不需要UFP的位置及其局性态等知识，它包括观测器、带反馈校正的神经网络在预测器和在线训练的神经网络控制器，其方法简便，收敛速度比现有同类方法快得多，同时还分析了控制系统的稳定性，并证明了神经网络控制器的收敛性，理论推导和仿真结果都表明了该方法的有效性。     

基于神经网络非线性模型的扩展DMC预测控制

利用前馈神经网络建立对象的非线性预测模型，用多级阶跃响应建立平均线性模型。     

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。     

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T-S 模型和小世界优化算法的广义非线性预测控制

提出一种新型的基于T-S模糊模型和小世界优化算法的广义非线性预测控制策略.采用基于混沌遗传算法的T-S模糊模型描述复杂非线性系统的动态特性,构成模糊多步预报器.同时,针对现有基于二进制和十进制编码小世界优化算法运行时间长等缺点,提出一种新型的基于实数编码的小世界优化算法,函数测试和应用于非线性预测控制的滚动优化反映了其较强的寻优能力.最后,将其应用于基于实际数据的T-S模糊模型的广义非线性预测控制,满足了系统实时性和快速稳定性的要求.     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

基于神经网络的非线性系统预测函数控制

针对离散非线性系统,利用神经网络非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络预测函数控制方法并给出了控制律的收敛性分析.该方法将复杂的神经网络非线性预测方程转化成直观而有效的线性形式,同时利用线性预测函数方法求得解析的控制律,避免了复杂的非线性优化求解,仿真结果表明了算法的有效性.     

基于高速收敛粒子群优化算法的非线性系统无模型预测控制

基于无模型控制、粒子群优化和预测控制的思想,提出一种新型非线性无模型预测控制器,并对该控制器的收敛性进行了分析.该控制器以带误差修正的泛模型为预测模型,以高速收敛的粒子群优化算法为滚动优化策略,不仅避免了非线性预测控制中复杂的矩阵求逆运算,而且提高了算法的收敛速度,增强了实时性.仿真研究表明了该控制器的有效性.     

一种无约束多步递归神经网络预测控制器

本文针对具有强非线性、多工作点特性的控制系统, 提出了一种基于递归BP神经网络的多步预测模型; 通过分析预测模型的内在数学关系, 选择了二次型函数作为预测控制器的目标函数, 并给出了目标函数关于控制序列的雅可比矩阵和赫森矩阵的计算方法; 最后使用Newton-Rhapson算法设计出了滚动优化控制策略, 构建了一个非线性多步预测控制器. 仿真结果表明, 文中提出的多步预测控制器具有较好的控制效果.     

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统，然后提出一种基于模拟退火策略的混沌优化算法，将该算法引入模糊神经网络参数域中进行优化，实现混沌粗搜索与细搜索相结合优化目的，体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明，该方法能有效地实现模糊神经网络控制器参数优化，控制具有无振荡、超调小、调节时间短等优点，算法结构简单，容易实现。