非线性系统近似最优PD动态补偿控制

本文研究了一类基于动态补偿的非线性系统的近似最优PD控制的问题.用微分方程的逐次逼近理论将非线性系统的最优控制问题转化为求解线性非齐次两点边值序列问题,并提供了从时域最优状态反馈到频域最优PD控制器参数的优化方法,从而获取系统最优的动态补偿网络,设计出最优PD整定参数,给出其实现算法.最后仿真示例将所提出的方法与传统的线性二次型调节器（LQR）逐次逼近方法相比较,表明该方法具有良好的动态性能和鲁棒性.     

非线性离散系统的近似最优跟踪控制

研究非线性离散系统的最优跟踪控制问题. 通过在由最优控制问题所导致的非线性两点边值问题中引入灵敏度参数, 并对它进行Maclaurin级数展开, 将原最优跟踪控制问题转化为一族非齐次线性两点边值问题. 得到的最优跟踪控制由解析的前馈反馈项和级数形式的补偿项组成. 解析的前馈反馈项可以由求解一个Riccati差分方程和一个矩阵差分方程得到. 级数补偿项可以由一个求解伴随向量的迭代算法近似求得. 以连续槽式反应器为例进行仿真验证了该方法的有效性．     

基于观测器的受扰非线性系统近似最优跟踪控制

研究一类受扰非线性系统的最优输出跟踪控制问题.给出了有限时域最优输出跟踪控制律的近似设计算法.首先将求解受扰非线性系统最优跟踪控制问题转换为求解状态向量与伴随向量耦合的非线性两点边值问题,然后利用逐次逼近方法构造序列将其转化为求解两个解耦的线性微分方程序列问题.通过迭代求解伴随向量的序列,可得到由解析的线性前馈-反馈控制部分和伴随向量的极限形式的非线性补偿部分组成的最优输出跟踪控制律.利用参考输入降维观测器和扰动降维观测器,解决了前馈控制的物理可实现问题.最后仿真结果表明了该方法的有效性.     

基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

针对时变轨迹的非线性仿射系统的鲁棒近似最优跟踪控制

针对非线性连续系统难以跟踪时变轨迹的问题,本文首先通过系统变换引入新的状态变量从而将非线性系统的最优跟踪问题转化为一般非线性时不变系统的最优控制问题,并基于近似动态规划算法(ADP)获得近似最优值函数与最优控制策略.为有效地实现该算法,本文利用评价网与执行网来估计值函数及相应的控制策略,并且在线更新二者.为了消除神经网络近似过程中产生的误差,本文在设计控制器时增加一个鲁棒项;并且通过Lyapunov稳定性定理来证明本文提出的控制策略可保证系统跟踪误差渐近收敛到零,同时也验证在较小的误差范围内,该控制策略能够接近于最优控制策略.最后给出两个时变跟踪轨迹实例来证明该方法的可行性与有效性.     

受正弦扰动时滞非线性系统的近似最优减振控制

研究时滞非线性系统在正弦扰动作用下的最优减振控制问题,给出一种无时滞近似最优减振控制律的迭代方法．通过假设Lagrange算子,将由原系统最优控制问题得到的既含时滞项又含有超前项的非线性两点边值问题转换为新的有利于求解的形式,再通过构造序列将其转化为不舍时滞项和超前项的线性非齐次两点边值问题序列．证明了该序列的收敛性．通过交替迭代序列得到了系统最优减振控制律．仿真结果表明,该方法在不同时滞下对扰动都具有很好的鲁棒性．     

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.     

奇异动态经济系统最优跟踪问题

奇异动态经济系统最优跟踪问题阎九喜（山东建筑工程学院济南２５００１４）程兆林（山东大学数学系济南２５０１００）关键词动态经济系统,最优跟踪问题,广义系统,最优控制理论．１）山东省自然科学基金资助项目．本文曾在１９９５年中国控制会议（安徽黄山）上宣读．...     

非线性动态优化仿真在间歇过程中的应用

为实现求解大规模非线性系统最优控制问题的自动设计及算法自动生成问题,开发基于非线性规划的动态优化软件集成系统.首先自定义基于XML的标准化非线性动态优化标记语言NDOML,采用NDOML模型设计模型编辑器;结合联立法和多点打靶法对NDOML模型进行自动离散化处理;最后利用内点算法解题器IPOPT设计了解题器接口程序生成器,实现模型录入通用化、模型离散自动化及优化控制算法代码的自动生成等多种应用功能.最后通过一个间歇反应过程实例验证动态优化软件系统的有效性,结果显示,系统能够实现最优控制算法的自动生成,仿真结果为大型非线性系统求解优化提供了依据.     

线性时滞系统基于观测器的最优输出跟踪控制器近似设计

研究线性时滞系统的最优输出跟踪控制器近似设计过程.首先根据原系统最优输出跟踪控制问题构造了两个分别具有已知初始条件和终端条件的微分方程迭代序列,并证明它们一致收敛于原问题的最优解.然后通过对该解序列的有限次迭代,得到最优输出跟踪控制问题的一个近似解,进一步给出一个计算近似最优输出跟踪控制律的算法.最后通过构造降维参考输入观测器解决了最优输出跟踪控制器中前馈项的物理可实现问题.仿真结果表明该方法是有效的,且易于实现.     

Event‐triggered optimal tracking control of nonlinear systems

We propose a novel event‐triggered optimal tracking control algorithm for nonlinear systems with an infinite horizon discounted cost. The problem is formulated by appropriately augmenting the system and the reference dynamics and then using ideas from reinforcement learning to provide a solution. Namely, a critic network is used to estimate the optimal cost while an actor network is used to approximate the optimal event‐triggered controller. Because the actor network updates only when an event occurs, we shall use a zero‐order hold along with appropriate tuning laws to encounter for this behavior. Because we have dynamics that evolve in continuous and discrete time, we write the closed‐loop system as an impulsive model and prove asymptotic stability of the equilibrium point and Zeno behavior exclusion. Simulation results of a helicopter, a one‐link rigid robot under gravitation field, and a controlled Van‐der‐Pol oscillator are presented to show the efficacy of the proposed approach. Copyright © 2016 John Wiley & Sons, Ltd.     

基于反演算法的严格反馈非线性系统固定时间跟踪控制

针对一类严格反馈非线性系统,研究固定时间跟踪控制问题.基于反演控制策略及Lyapunov稳定性理论,给出使系统全局固定时间稳定的充分条件和设计步骤.所提出的反演控制方案可以消除控制器存在的奇点问题,保证系统的跟踪误差在固定时间内收敛于原点的一个小邻域内,且收敛时间与系统的初始状态无关.最后,通过一个数值仿真示例验证了所提出设计方案的有效性.     

An optimal tracking neuro-controller for nonlinear dynamic systems

Multilayer neural networks are used to design an optimal tracking neuro-controller (OTNC) for discrete-time nonlinear dynamic systems with quadratic cost function. The OTNC is made of two controllers: feedforward neuro-controller (FFNC) and feedback neuro-controller (FBNC). The FFNC controls the steady-state output of the plant, while the FBNC controls the transient-state output of the plant. The FFNC is designed using a novel inverse mapping concept by using a neuro-identifier. A generalized backpropagation-through-time (GBTT) algorithm is developed to minimize the general quadratic cost function for the FBNC training. The proposed methodology is useful as an off-line control method where the plant is first identified and then a controller is designed for it. A case study for a typical plant with nonlinear dynamics shows good performance of the proposed OTNC.     

Approximate output tracking for nonlinear non-minimum phase systems with an application to flight control

An unstable zero-dynamics is a known obstruction to inducing exact asymptotic tracking for an open set of output trajectories with internal stability. This paper proposes a procedure for achieving approximate tracking for a nonlinear system whose linearization possesses real right-half plane zeros. The method is guaranteed to remove the right-half plane zeros while the other zeros remain in their previous location; moreover, it provides information on the class of signals for which good approximate tracking can be obtained. With other methods, the right-half plane zeros are eliminated but the final location of the remaining zeros is not known a priori. The design procedure is illustrated on a trajectory control problem of an aircraft in rapid manoeuvres. Simulations illustrate the computations involved and show that precise lateral and longitudinal manoeuvres can be performed, even in the presence of uncertainties.     

Finite-time optimal tracking control for a class of nonlinear systems with prescribed performance

In this paper, a finite-time optimal tracking control scheme based on integral reinforcement learning is developed for partially unknown nonlinear systems. In order to realize the prescribed performance, the original system is transformed into an equivalent unconstrained system so as to a composite system is constructed. Subsequently, a modified nonlinear quadratic performance function containing the auxiliary tracking error is designed. Furthermore, the technique of experience replay is used to update the critic neural network, which eliminates the persistent of excitation condition in traditional optimal methods. By combining the prescribed performance control with the finite-time optimization control technique, the tracking error is driven to a desired performance in finite time. Consequently, it has been shown that all signals in the partially unknown nonlinear system are semiglobally practical finite-time stable by stability analysis. Finally, the provided comparative simulation results verify the effectiveness of the developed control scheme.