1、模型預(yù)測控制(Model predictive control, MPC)理論研究發(fā)展至今已經(jīng)三十多年，隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)領(lǐng)域的發(fā)展，人們對預(yù)測控制提出了越來越高的要求，而傳統(tǒng)的控制系統(tǒng)很難滿足現(xiàn)今的工藝需求，尤其是對實(shí)際工業(yè)領(lǐng)域中的強(qiáng)非線性控制系統(tǒng)而言。因此針對非線性系統(tǒng)如何構(gòu)建預(yù)測精準(zhǔn)、滿足實(shí)際需求的預(yù)測控制模型成了當(dāng)今控制領(lǐng)域的研究熱點(diǎn)。
本文主要針對模型預(yù)測控制算法在非線性系統(tǒng)中如何構(gòu)建非線性預(yù)測模型和科學(xué)選取模
2、型參數(shù)兩方面進(jìn)行相關(guān)分析和研究，提出以支持向量回歸機(jī)作為非線性預(yù)測模型，并利用多Agent粒子群算法對模型預(yù)測控制系統(tǒng)中的重要參數(shù)進(jìn)行尋優(yōu)，具體研究內(nèi)容如下：
?。?）在基本粒子群算法(Particle Swarm Optimization, PSO)的基礎(chǔ)上，融合了多Agent系統(tǒng)的結(jié)構(gòu)特征，提出多Agent粒子群算法(Multi-Agent Particle Swarm Optimization Algorithm,MAPS
3、O)。MAPSO算法應(yīng)用了PSO算法的迭代更新原理，同時引入多Agent系統(tǒng)的環(huán)境概念以及競爭合作機(jī)制，使得MAPSO算法中的粒子能夠獲取環(huán)境信息，而且根據(jù)環(huán)境數(shù)據(jù)的變化，改變自身的行動策略，從而提高算法的求解效率。
?。?）針對非線性系統(tǒng)的建模問題，考慮不同算法的非線性擬合能力，引入支持向量回歸算法(Support Vector Regression, SVR)，構(gòu)建SVR模型預(yù)測控制器，并利用多 Agent粒子群算法對其參數(shù)
4、進(jìn)行尋優(yōu)求解。在非線性系統(tǒng)的單步預(yù)測控制中，通過與基于粒子群算法、基于遺傳算法優(yōu)化的SVR模型預(yù)測控制方法及RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測控制方法進(jìn)行比較，仿真結(jié)果表明多Agent粒子群具有良好的參數(shù)尋優(yōu)能力，同時得到的預(yù)測控制模型具有良好的控制性能，可以有效應(yīng)用于非線性系統(tǒng)的預(yù)測控制中。
?。?）在單步預(yù)測控制的基礎(chǔ)上，提出了基于多Agent粒子群優(yōu)化的多步SVR預(yù)測控制模型，對非線性系統(tǒng)進(jìn)行多步預(yù)測控制，通過預(yù)測控制的機(jī)理推導(dǎo)出滿足滾