基于ESN和PSO的非線性模型預(yù)測控制研究.pdf

1、實(shí)際的工業(yè)生產(chǎn)過程中的被控系統(tǒng)本質(zhì)上都是非線性系統(tǒng)，傳統(tǒng)的控制理論對這類對象特別是具有強(qiáng)非線性的控制效果不是很理想。本文采用非線性模型預(yù)測控制算法解決非線性系統(tǒng)的控制，它是基于預(yù)測模型、滾動優(yōu)化和反饋校正的一種先進(jìn)計(jì)算機(jī)控制算法。非線性系統(tǒng)由于不具有齊次性和疊加性，使得在系統(tǒng)辨識和控制器設(shè)計(jì)方面往往達(dá)不到滿意的效果。以非線性系統(tǒng)的模型預(yù)測控制算法為研究對象，圍繞著其中的預(yù)測模型和滾動優(yōu)化兩方面進(jìn)行探討，研究一種針對實(shí)際應(yīng)用對象的模型預(yù)測

2、控制方法，要求該方法的建立預(yù)測模型訓(xùn)練簡單、精確，以及應(yīng)該具有較快的運(yùn)算速度以實(shí)現(xiàn)系統(tǒng)在線滾動優(yōu)化，且該算法具有較高的魯棒性。
　　在非線性模型預(yù)測控制中，預(yù)測模型的精度具有很重要的作用?；芈暊顟B(tài)網(wǎng)絡(luò)（EchoStateNetwork，ESN）作為一種新型的動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，能夠很好的辨識非線性系統(tǒng)，其計(jì)算時(shí)間、數(shù)據(jù)訓(xùn)練和穩(wěn)定性相對于傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)有了較大進(jìn)步。本文在深入分析ESN原理和算法的基礎(chǔ)上，研究了基于ESN模型對非線性

3、對象的辨識，并將它與BP神經(jīng)網(wǎng)絡(luò)對非線性對象的辨識做了對比研究。證明了采用ESN模型對非線性對象辨識的優(yōu)越性。
　　本文采用粒子群優(yōu)化（ParticleSwarmOptimization,PSO）算法對預(yù)測控制進(jìn)行實(shí)時(shí)在線優(yōu)化。研究了這種新的群體智能優(yōu)化算法的基本原理，并具體分析了算法的收斂性，以及給出了該算法中參數(shù)選取方法，采用PSO算法對三個(gè)非線性的Rosenbrock、Rastrigin和Griewank目標(biāo)函數(shù)在尋優(yōu)時(shí)間以

4、及尋優(yōu)成功率進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果表明了該算法適用于非線性的目標(biāo)函數(shù)優(yōu)化，且尋優(yōu)時(shí)間也較快。
　　在利用回聲狀態(tài)網(wǎng)絡(luò)對非線性模型辨識和粒子群優(yōu)化在線滾動優(yōu)化的基礎(chǔ)上，提出了一種基于ESN模型和PSO優(yōu)化的非線性模型預(yù)測控制系統(tǒng)的算法，在理論上分析了該算法可行性，并應(yīng)用于典型化工非線性對象連續(xù)攪拌反應(yīng)釜（ContinuousStirredTankReactor,CSTR），通過參考軌跡階躍變化、輸出有噪聲和輸出有干擾情況下的仿真實(shí)驗(yàn)，