针对模型失配的多目标预测控制研究

论文摘要

预测控制是一种基于模型的先进控制技术,以其建模方法多样、鲁棒性强、控制效果好等优点,在化工、机械、冶金等许多领域取得了广泛的应用。然而,作为一种建立在被控对象特征信息基础之上的控制方法,预测控制对于模型精度有着较高的要求。在预测模型偏差较小的情况下预测控制可以得到令人满意的控制效果,而一旦对象模型失配,将直接影响控制性能。研究模型失配情况下的预测控制方法具有重要的理论与实际意义。本文针对对象模型失配情况下的预测控制问题展开研究,在预测控制、神经网络建模与多目标优化理论的基础上,提出一种针对模型失配的多目标预测控制方法,主要研究内容如下：(1)简要介绍了预测控制以及非线性预测控制的相关理论,然后,对以基于RBF神经网络预测模型与粒子群优化算法(PSO)的预测控制方法进行了仿真研究,通过仿真结果显示当预测模型精度较高时该控制策略具有较好的控制性能,而在对象模型失配情况下该方法难以奏效,从而提出模型失配情况下的预测控制问题。(2)详细介绍了多目标优化与决策理论,并提出一种改进的多目标粒子群优化算法(SMOPSO),通过对两个测试函数的实验仿真验证了该算法的有效性；同时,在该算法的基础上,提出一种基于权系数概率密度函数与Pareto理论的有偏好多目标粒子群优化算法(PMOPSO),仿真结果验证了该算法的有效性。(3)在上述理论的基础上,利用模型误差概率分布统计信息在有偏好多目标粒子群优化算法的多个支配解中确定控制量,从而提出一种多目标预测控制算法。针对测试对象的单目标预测控制与本文多目标预测控制方法法的仿真结果表明,本文控制方法可以在较大的模型预测误差条件下有效地提高控制性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 预测控制
• 1.1.1 预测控制概述
• 1.1.2 预测控制的研究动向
• 1.1.3 非线性预测控制
• 1.2 本文的研究目的及意义
• 1.3 本文的主要内容
• 第2章 模型失配条件下的预测控制问题提出
• 2.1 非线性预测控制数学基础
• 2.2 人工神经网络预测模型
• 2.2.1 人工神经网络模型
• 2.2.2 RBF神经网络预测模型
• 2.3 基于神经网络的智能预测控制
• 2.3.1 神经网络预测模型
• 2.3.2 神经网络预测控制算法
• 2.3.3 仿真实验
• 第3章 多目标优化与决策理论
• 3.1 多目标优化问题
• 3.1.1 多目标优化问题的描述
• 3.1.2 Pareto解集
• 3.2 多目标优化问题的求解
• 3.2.1 多目标优化的传统算法
• 3.2.2 多目标进化算法
• 3.2.3 传统算法与进化算法的比较
• 3.3 多目标决策理论
• 3.3.1 多目标决策概述
• 3.3.2 多目标优化与决策的关系
• 3.3.3 多目标决策方法——伪权向量法
• 第4章 多目标粒子群优化算法研究
• 4.1 多目标粒子群优化算法基础理论
• 4.1.1 基本粒子群算法
• 4.1.2 改进的粒子群算法
• 4.1.3 多目标粒子群优化算法
• 4.2 一种新的多目标粒子群优化算法
• 4.2.1 SMOPSO算法流程
• 4.2.2 SMOPSO算法中的相关算子
• 4.2.3 SMOPSO算法仿真实验
• 4.3 有偏好多目标粒子群优化算法
• 4.3.1 权系数概率密度函数
• 4.3.2 PMOPSO算法流程
• 4.3.3 MOPSO算法仿真实验
• 第5章 针对模型失配的多目标预测控制
• 5.1 预测控制最优化准则的分析
• 5.2 针对模型失配的多目标预测控制方法
• 5.2.1 多目标预测控制算法流程
• 5.2.2 控制性能指标
• 5.3 仿真实验
• 5.3.1 实验一
• 5.3.2 实验二
• 第6章 结论与展望
• 参考文献
• 致谢