非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

符号图下含扰动的多智能体系统预定时间二分一致性

研究符号图下具有扰动的多智能体系统二分一致性控制问题.考虑了线性系统、非线性不确定系统以及切换拓扑的情况,分别提出相应的预定时间控制器,各控制器可使系统在预定时间内实现二分一致性.通过Lyapunov稳定性理论、代数图论和矩阵分析等验证算法的准确性;仿真对比实验验证了所提算法的可行性和有效性;相较于有限时间控制算法,所提算法的收敛时间不依赖于初始状态,可以通过选择单一时间参数设定系统收敛时间上界;相较于固定时间控制算法,所提算法预设收敛时间与控制算法参数无关,设定简单,具有更低的保守性.     

A novel optimal PID controller autotuning design based on the SLP algorithm

A novel optimal proportional integral derivative (PID) autotuning controller design based on a new algorithm approach, the “swarm learning process” (SLP) algorithm, is proposed. It improves the convergence and performance of the autotuning PID parameter by applying the swarm and learning algorithm concepts. Its convergence is verified by two methods, global convergence and characteristic convergence. In the case of global convergence, the convergence rule of a random search algorithm is employed to judge, and Markov chain modelling is used to analyse. The superiority of the proposed method, in terms of characteristic convergence and performance, is verified through the simulation based on the automatic voltage regulator and direct current motor control system. Verification is performed by comparing the results of the proposed model with those of other algorithms, that is, the ant colony optimization with a new constrained Nelder–Mead algorithm, the genetic algorithm (GA), the particle swarm optimization (PSO) algorithm, and a neural network (NN). According to the global convergence analysis, the proposed method satisfies the convergence rule of the random search algorithm. With respect to the characteristic convergence and performance, the proposed method provides a better response than the GA, the PSO, and the NN for both control systems.     

正则系统在Lebesgue-p范数意义下的快速迭代学习控制

针对一类线性正则系统,传统迭代学习控制算法收敛速度较低的问题,设计了一种快速迭代学习控制算法。该算法在传统P型迭代学习控制算法基础上,增加了由相邻两次迭代时跟踪误差构成的上一次差分信号和当前差分信号,并在Lebesgue-p范数度量意义下,利用卷积推广的Young不等式严格证明了,当迭代次数趋于无穷大时,系统的跟踪误差收敛于零,并给出了算法的收敛条件。该算法与传统P型迭代学习控制算法相比,不仅提高了收敛速度,而且还避免了采用λ范数度量跟踪误差的缺陷,最后通过仿真结果进一步验证了所提算法的有效性。     

Continuous-time weighted least-squares algorithm and its application to adaptive feedback control

A weighted least-squares algorithm is examined for continuous-time linear deterministic systems. The convergence of the algorithm is discussed from several viewpoints. The necessity of the persistently exciting condition is stressed for the exponential convergence of the algorithm. The need and the effect of introducing the normalizing factor into the algorithm are also considered in relation to the global stability of the adaptive feedback control. Adaptive pole placement control by means of an adaptive observer is considered as a typical example of the application of the algorithm.     

具有一般交互矩阵的多变量系统的随机直接自适应控制

本文使用系统的交互矩阵,提出了基于广义最小方差控制律的一般随机多变量系统的直接自适应控制算法,并对该算法进行了稳定性和收敛性分析.该算法即使用于非最小相位系统仍然具有全局收敛特性.     

A Data-Based Feedback Relearning Algorithm for Uncertain Nonlinear Systems

In this paper, a data-based feedback relearning algorithm is proposed for the robust control problem of uncertain nonlinear systems. Motivated by the classical on-policy and off-policy algorithms of reinforcement learning, the online feedback relearning (FR) algorithm is developed where the collected data includes the influence of disturbance signals. The FR algorithm has better adaptability to environmental changes (such as the control channel disturbances) compared with the off-policy algorithm, and has higher computational efficiency and better convergence performance compared with the on-policy algorithm. Data processing based on experience replay technology is used for great data efficiency and convergence stability. Simulation experiments are presented to illustrate convergence stability, optimality and algorithmic performance of FR algorithm by comparison.      

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

基于联合误差控制的变步长双模盲均衡算法研究

针对CMA+DDLMS双模式盲均衡算法对相位不敏感、收敛速度慢、突然切换容易造成误码率升高以及算法不稳定等问题,提出一种基于联合误差控制的变步长双模切换盲均衡算法。与现有双模式算法相比,新算法引入变步长因子有效提高算法收敛速度,同时采用联合绝对剩余误差和判决区域控制的双模切换保证算法的稳健性。采用16QAM系统的仿真结果表明,新算法具有抗干扰能力强、收敛精度高和收敛速度快等特点。     

快速二阶终端滑模控制及其在下肢外骨骼的应用

为了提高传统二阶终端滑模控制的全局收敛性,提出一种快速二阶终端滑模控制算法.设计一种二阶趋近律,将绝对值函数隐藏在积分项里,并增加线性项以提高全局收敛性.当系统状态未到达滑模面时,采用二阶趋近律,并通过调整参数避免奇异问题;当系统状态到达滑模面时,采用不含不连续符号项的指数趋近律,以保证控制误差有限时间收敛.采用Lyapunov直接法证明快速二阶终端滑模控制算法的稳定性,及其比super twisting算法具有更优良的收敛特性.以下肢外骨骼为研究对象,建立动力学模型.在考虑建模误差和外部干扰的情况下,将该算法应用于下肢外骨骼的姿态控制.仿真结果表明,所提出的控制算法能够有效抑制抖振,并且比super twisting算法具有更良好的跟踪性能,验证了该算法的有效性.     

基于云控制的混沌多种群自适应遗传算法

针对传统遗传算法存在的早熟收敛现象,提出一种基于云控制的混沌多种群自适应遗传算法。该算法兼顾全局性和个体差异性两方面平衡,通过云控制器实现交叉率和变异率的自适应调节。在种群正常进化时,对个体实行惩强扶弱措施,在发生早熟收敛或有早熟收敛趋势时,对劣质个体实行灾变,同时采用多种群优化机制实现种群之间的同步进化。实验结果表明,与标准遗传算法和自适应遗传算法相比,该算法能够有效地避免早熟收敛问题,具有较高的收敛效率。     

Resolution numerique d'un probleme de controle optimal d'un couplage des equations de navier-stokes et celle de la chaleur

We study by the method of artificial compressibility the numerical solution of an optimal control problem of a system governed by the Navier-Stokes equations coupled with the heat-equation. The control problem is of boundary control—final observation type. A system of equations and an inequality characterizing the optimal control gives rise to an algorithm which permits us to calculate a control satisfying a necessary condition for optimality. The algorithm will be approximated by finite difference schemes based on the fractional step method. We prove the stability and the convergence of the schemes and the convergence of the algorithm. Finally we present some numerical results illustrating the proposed method.     

轮式机器人轨迹跟踪控制系统的设计

针对轮式机器人轨迹跟踪控制系统误差收敛速率低、精度和实时性差的问题,采用反演控制算法并结合李雅普诺夫稳定性分析方法对轮式机器人的轨迹跟踪系统进行了优化设计;建立了轮式机器人轨迹跟踪控制系统的运动学模型,并对该模型进行位置偏差分析;在反演控制算法中引入了分部虚拟控制量,并分析和设计了其他间接受控量,提高了算法运行的效率;采用李雅普诺夫收敛定理对系统的收敛性进行分析,根据分析的结果提出了算法更加简单的控制律;利用Matlab软件的Simulink库对设计的轨迹跟踪控制系统试验研究;结果表明,与基于李雅普诺夫直接法或者迭代学习算法设计的轮式机器人轨迹跟踪控制系统相比较,设计的控制系统具有跟踪精度高、收敛速度快、实时性好的优点。     

预警机制的鲸鱼算法及时间约束的航迹规划

针对高实时性要求的固定翼无人机航迹规划问题,在模型中引入算法的运行时间以契合实际工程要求,并提出基于预警机制的改进鲸鱼优化算法完成求解;该算法通过对适应度进行排序定义个体的预警概率,并借此控制个体更新机制的选取;随后引入与预警概率关联的权重系数控制螺旋更新机制的收缩扩张,同时使用莱维飞行改进随机游走机制加快收敛,达到平衡各机制开发与探索能力的目的;有效地改善算法收敛速度慢、精度低的缺陷;使用基准函数测试并验证算法的有效性,并在不同维度与距离的航迹规划对比仿真实验中量化改进算法在收敛精度与收敛速度的优越性;仿真实验表明,面对低维度航迹规划时,算法精度可提高8.0%;面对高纬度航迹规划时,算法收敛速度可提高50%;     

基于几何分析的分布参数系统的迭代学习控制

研究了一类不确定非线性分布参数系统的迭代学习控制问题.基于几何分析方法,给出了分布参数系统一种新的具有自适应因子的非线性迭代学习控制算法.导出了新算法的收敛条件,并利用广义λ范数从理论上证明了新算法的收敛性.     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

基于VB的遗传算法演示系统

对基于VB的遗传算法进行了演示实验,通过对四例实验函数的优化,证明了遗传算法具有良好的收敛性和稳定性。实验对遗传算法控制参数的选取范围进行了验证,对优化结果进行了分析,结果表明遗传算法控制参数的选择对目标函数的优化性能和收敛速度有很大影响。     

基于改进遗传算法的时间最优控制问题求解

对原有遗传算法的不足进行分析 ,提出改进的遗传算法。对于高维、高精度问题 ,改进算法相对原算法可节省大量存储空间和解码时间。提出的选择算子仅与父代的大小顺序有关 ,既可避免原算法对适应值必须为正的限制 ,又可避免算法过早收敛到局部解。证明了新算法的全局收敛性 ,并对新的选择算子进行了性能分析。将改进的遗传算法引入受约束时间最优控制问题的求解 ,获得了令人满意的结果     

时滞系统采样迭代学习控制

针对一类具有状态时滞的连续系统提出一种采样迭代学习控制算法。给出并证明了算法指数收敛的充分条件,该条件可保证系统输出无论在采样点或非采样点上,都能以指数收敛速率收敛至期望输出的一个与采样周期有关的误差范围内。仿真结果表明了该算法的有效性。     

基于向量图分析的一种迭代学习控制算法及其鲁棒性

为了增强迭代学习控制的鲁棒性,加快学习过程的收敛速度,而又不过多地依赖于系统内部信息,本文基于向量图分析思路,利用输入空间的向量构造三角形修正结构,得到了一种新的迭代学习控制算法．该算法根据跟踪误差的大小,调节输入控制量在三角形的一条边上滑动,在跟踪误差较大时,算法能找到控制期望的大致位置并加速收敛,在跟踪误差较小时,能将控制量稳定在其期望的很小邻域内,理论上证明了该邻域直径大小为跟踪误差的二阶无穷小．数值仿真结果说明了它的有效性和优越性．