基于SVM和PSO的非線性模型預測控制及應用研究.pdf

1、本項研究的主要目的是尋找一種應用模型預測控制用于解決非線性系統(tǒng)的方法。同時，要求這種方法具有很高的運算速度以便系統(tǒng)能夠實現(xiàn)實時在線優(yōu)化；要求算法具有較高的魯棒性，能夠應對模型參數(shù)的變化。除了給出了實時在線優(yōu)化算法的基本框架外，在優(yōu)化和閉環(huán)控制性能章節(jié)中還詳細的對比了非線性和線性模型的應用區(qū)別。 新的非線性模型預測控制算法中采用支持向量機模型(Support Vector Machine（SVM）)，是因為和神經網絡相比，支持向量

2、機具有更強的泛化能力；同時，由于支持向量機在訓練過程中不依賴輸入向量的維數(shù)，因此能夠很好的避開維數(shù)災難的問題。 粒子群優(yōu)化(Particle Swarm Optimization（PSO))算法在方法論上屬于兩類算法：人工生命和進化計算。新的非線性模型預測控制算法中采用PSO算法來實時在線優(yōu)化算法。因為PSO具有很簡單的概念，并且實現(xiàn)起來也很簡單，只需要一些簡單的運算使得該算法具有運算速度快、內存占用量非常小以及操作參數(shù)少的優(yōu)點