基于SVM和PSO的新型非线性模型预测控制

对于具有强非线性或复杂非线性约束的系统,通过非线性模型的线性化和二次规划优化实现非线性模型预测控制,难以取得满意的结果。提出了一种基于支持向量机模型和粒子群优化的非线性模型预测控制系统的算法。仿真实例表明了支持向量机模型的泛化能力和粒子群优化的寻优速度及能力,证明了将其运用于非线性模型预测控制中的可行性。     

ESN网络在机器人轨迹跟踪控制中的应用

为了研究具有模型不确定性的机器人操作手的轨迹跟踪控制,采用一种新的递归神经网络——回声状态网络(ESN)设计了动态控制器.采用PID控制器补偿ESN网络的逆建模误差,并在网络训练过程中加入白噪声项,以保证动态系统的稳定性.最后针对两关节机械手的轨迹跟踪控制问题进行了数值仿真,仿真结果表明了该方法的有效性.     

基于PSO的回声状态网训练算法

回声状态网是一种新型的循环网络结构与循环网络学习方法,较传统神经网络相比,具有更强的非线性预测能力.但是,传统ESN的训练方法所需学习样本非常多,而提出的PSO-ESN模型利用PSO来训练ESN的输出权重,能在有限的学习样本情况下,有效的提高了其预测精度.最后,对网络流量预测的实验结果表明了该算法的有效性.     

基于PSO的变结构变时滞自校正控制

针对变结构、变时滞被控对象,将粒子群优化(PSO)算法与广义最小方差相结合,采用实时自校正过程对其进行控制,提出基于PSO自校正控制器算法.该算法应用隐式辨识方式,可减少辨识计算量,通过跟踪误差来改变辨识精度.以工业上典型的一阶、二阶和三阶系统的结构变化并伴随着有时滞突变的复杂被控对象进行仿真,并和基于最小二乘的传统自校正控制方法比较得知,在运用PSO自校正控制器的控制下,系统输出量与期望输出之间的方差趋于更小,控制跟随性和鲁棒性均较好.仿真结果表明该自校正控制器的有效性与应用价值.     

基于PSO的预测控制及在聚丙烯中的应用

输入输出受限非线性系统的预测控制问题,可以看作是一个难以直接求解的约束非线性优化问题。针对预测控制在解决此类优化问题时,存在易收敛到局部极小或者非可行解,对初始值敏感等缺点,提出了一种基于微粒群优化方法的非线性预测控制算法。采用微粒群优化算法（PSO）作为模型预测控制的滚动优化方法,在线实时求解最优控制律。将PSO与序贯二次规划（SQP）算法进行对比仿真实验,求解两个标准函数优化问题,结果表明PSO能够快速有效地求得全局最小点,而SQP则很容易陷入局部极小点。将该算法应用于丙烯聚合反应过程的温度控制中,仿真结果显示了该方法的有效性。     

一种新的基于PSO的MPC及其硬件实现

模型预测控制(MPC)在流程工业中应用已经比较成熟.其核心为在线求解二次规划(QP)问题,运算负荷大时延长,对控制器的运算能力要求高,阻碍了MPC向更深更广的应用领域拓展.为解决上述问题,从算法本身和硬件平台2个方面入手,提出了MPC算法一种新的实现方案.新的以粒子群优化算法(PSO)为核心的MPC算法很好地解决了带约束的二次规划问题,并且以可编程逻辑门阵列(FPGA)为平台用实现了PSO-MPC控制器.这一方案使得MPC可以应用在控制器体积受限,采样频率高的运动控制场合.     

基于PSO优化的非线性系统无模型控制方法

针对一类非线性离散时间动态系统,提出了基于改进泛模型的非线性控制方法并对该控制律作用下系统的BIBO稳定性及收敛性进行了分析.该方法在改进泛模型的基础之上, 根据二次型性能指标设计最优控制律,其中,时变特征参量建立AR模型进行预报,控制律中的采知参数采用粒子群优化(PSO)算法进行优化.经过优化后的控制律作用于该非线性...     

基于PSO和BP网络的粉状炸药配方的预测控制

BP神经网络具有良好的非线性处理能力,粒子群优化算法(PSO)提高神经网络的学习效率、保证神经网络全局收敛。针对粉状炸药配方控制系统中存在的强耦合、非线性及参数不确定等问题,建立一种基于粒子群和BP神经网络的炸药配方预测控制模型。仿真和现场运行结果表明,该配方控制系统具有良好的自学习和自适应能力,取得了良好的控制效果,满足实际生产要求。     

基于Hammerstei模型的非线性预测控制

本文提出了一种针对 Hammerstein模型的预测控制策略.该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制.由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高.仿真结果验证了该策略的有效性.     

基于ESN的污水处理过程优化控制

针对污水处理过程能耗过高的问题,提出了一种基于状态回声网络(ESN)的在线优化控制方法。建立了污水处理过程预测模型,实现性能指标的预测;根据系统的状态以及预测的性能指标,采用ESN实时优化控制变量的设定值;将优化后的设定值传送给底层控制器进行跟踪控制。将ESN优化控制方法在污水处理过程基准仿真模型(BSM1)上进行了验证,实验结果表明,该方法不但能够满足出水水质的要求,而且降低了污水处理过程运行成本。     

一种基于PSO的自适应神经网络预测控制

针对非线性系统,提出了一种基于微粒群优化(PSO)的自适应神经网络预测控制方法.采用对角递归网络(DRNN)对非线性系统进行建模,并利用扩展卡尔曼滤波(EKF)递推估计算法在线计算网络模型参数的Jacobian矩阵以实现模型参数的自适应.利用PSO算法在线优化求解非线性系统的预测控制律,以克服传统基于梯度法的非线性规划方法求解预测控制律时对初始条件非常敏感的缺点.生化发酵过程的仿真结果表明,所提出的控制方法具有良好的跟踪能力和抗干扰能力.     

基于改进粒子群优化算法的预测控制

在实际工业过程中预测控制算法应用广泛,但是对于多变量预测控制算法其参数较多,且各个参数之间相互耦合,故整定其参数比较复杂,鉴于此提出一种基于改进粒子群算法的预测控制参数优化算法。该算法的基本思想是将生物寄生行为机制引入到粒子群优化算法中,形成双种群粒子群优化算法,使用该改进粒子群算法对多变量预测控制算法的参数进行离线优化,从而确定预测控制算法参数的最优取值。最后,将本文算法用于冷热水系统液位和温度的控制,并通过仿真将该算法与标准粒子群优化算法相比较,仿真结果表明使用该算法对多变量预测控制的参数进行优化整定时,系统的阶跃响应具有抗干扰性能好、超调量小、调节时间短等优点。     

基于一种继承模型的多变量非线性预测控制

提出了一种由人工神经网络与线性ＡＲＸ模型相结合的集成模型,给出了其辨识训练方法。以此模型为基础,提出了一种多变量非线性预测控制算法。它利用线性预测控制的成果,得到一解析式的非线性优化控制输入,避免了通常非线性模型（包括普通人工神经网络模型）预测控制所需的在线数值寻优计算,节约了在线计算时间。提高了算法的可靠性和稳定性。进一步给出了在ＣＳＴＲ反应器上的仿真实验结果。     

基于Hammerstei模型的非线性预测控制

本文提出了一种针对Hammerstein模型的预测控制策略。该策略将Hammerstein模型中的无记忆非线性静态增益环节,改进成易于由中间变量求取控制量的环节,避免了求解高阶方程根的困难,又对线性环节采用线性系统的广义预测控制。由于引入了广义预测控制中多步预测的思想,抗噪声的能力显著提高。仿真结果验证了该策略的有效性。     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时,存在难以建立精确的数学模型、控制精度不高等缺点,提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型,克服误差积累以及网络规模庞大的缺点;运用粒子群优化（PSO）算法完成非线性预测控制的滚动优化。仿真表明,该方案的控制效果比常规动态矩阵控制效果有所提高,该方案是可行和有效的。     

基于小波变换的非线性广义预测控制

提出了基于小波变换的非线性广义预测控制算法。预测模型采用Hammerstein模型,对于其静态非线性部分采用小波网络来辨识,动态线性部分用最小二乘法来辨识。这种辨识方法比传统的多项式拟合的模型误差要小得多。基于这种预测模型广义预测控制器弥补了传统广义预测控制的模型失配问题。以CSTR为例对所设计的控制器进行仿真研究,结果表明控制器能够取得良好的控制效果。     

广义准无限时域非线性预测控制

将准无限时域非线性预测控制方法推广到更一般的情况, 并给出了闭环约束系统的稳定性条件及最优解的存在条件. 基于反馈线性化技术讨论了广义准无限时域非线性预测控制的实现及较大终端域的获取. 该方法能显著减少在线优化所需的时间.     

基于神经网络的非线性模型预测控制

该文提出了一种基于神经网络的模型预测控制结构 ,并使用一个新的随机搜索优化算法来求解预测控制律 ,计算机仿真证明了所设计的控制算法的正确性和有效性     

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。