基于改进粒子群算法的一类非线性模型预测控制

发布时间：2017-12-31 03:34

  本文关键词：基于改进粒子群算法的一类非线性模型预测控制　出处：《辽宁工程技术大学》2015年硕士论文　论文类型：学位论文

  更多相关文章： 粒子群算法 粒子滤波重采样 非线性模型预测控制 随机扰动 概率约束

【摘要】：非线性模型预测控制研究发展至今,多数都局限某些特殊的非线性系统,关于一般非线性系统的研究难题则主要来源自优化算法的研究.实际的控制系统大部分都是非线性的,而且很可能含有不确定度,因此本文提出了一种改进的粒子群算法来优化求解非线性模型预测控制,研究内容：(1)提出一种改进的粒子群算法.针对经典的粒子群算法在求解非线性模型预测控制的过程中容易陷入局部最优、搜索后期收敛速度慢的问题,提出引入粒子滤波重采样步骤和粒子变异操作相结合的改进粒子群算法.并利用四种测试函数对改进粒子群算法和经典粒子群算法进行对比仿真实验,实验结果表明：改进的PSO算法具有更好的收敛速度和搜索精度.(2)研究了改进的粒子群算法在一类非线性模型预测控制系统中的应用.针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控制律求解问题,引入改进的粒子群算法求解,对概率约束的处理,采用对不满足约束的粒子进行有效替代的方法,进而得到满足概率约束条件的优化控制律.仿真结果表明算法的有效性.
[Abstract]:Nonlinear model predictive control of the development so far, most have limitations of some special nonlinear systems, the research of self optimization algorithm research on problem of general nonlinear systems is the main source. Most practical control systems are nonlinear, and may contain uncertainty, this paper proposes an improved particle swarm optimization algorithm nonlinear model predictive control, research contents: (1) this paper proposes an improved particle swarm algorithm. The classical PSO algorithm in solving nonlinear model predictive control in the process of easy to fall into local optimal search, the problem of slow convergence speed, improved particle swarm algorithm into the particle filter resampling step and particle variation combined operation. And compared the simulation experiment on the improved particle swarm algorithm and particle swarm optimization algorithm using four kinds of test functions, experiments. The results show that the convergence speed and search accuracy of the improved PSO algorithm has better. (2) studied the improved particle swarm algorithm to predict the application in the control system of a class of nonlinear model. The nonlinear model with bounded random disturbance and probabilistic constrained predictive control optimization problem for solving control law, introduced particle swarm algorithm for improvement, treatment of probability constraints, the methods are effective alternatives to satisfy the constraint of the particles, and then obtain the optimal control law satisfying probability constraints. The simulation results show that the algorithm is effective.

【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18;O231

【参考文献】

相关期刊论文 前10条

1 孔小兵;刘向杰;;双馈风力发电机非线性模型预测控制[J];自动化学报;2013年05期

2 史小露;孙辉;李俊;朱德刚;;具有快速收敛和自适应逃逸功能的粒子群优化算法[J];计算机应用;2013年05期

3 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

4 李邓化;李金鳌;庞美飒;刘爱华;;基于惯性因子的混沌粒子群优化算法研究[J];北京信息科技大学学报(自然科学版);2012年05期

5 徐生兵;夏文杰;代安定;;一种改进学习因子的粒子群算法[J];信息安全与技术;2012年07期

6 张雯栶;王刚;朱朝晖;肖娟;;粒子群优化算法种群规模的选择[J];计算机系统应用;2010年05期

7 刘伟;周育人;;一种改进惯性权重的PSO算法[J];计算机工程与应用;2009年07期

8 王永刚;柴天佑;;蒸发过程的非线性模型预测控制[J];东北大学学报(自然科学版);2008年10期

9 阳春华;谷丽姗;桂卫华;;自适应变异的粒子群优化算法[J];计算机工程;2008年16期

10 关圣涛;楚纪正;邵帅;;粒子群优化算法在非线性模型预测控制中的研究应用[J];北京化工大学学报(自然科学版);2007年06期

，

本文编号：1357935