基于智能方法的预测控制研究

论文摘要

近年来由于工业控制要求的提高、控制理论与计算机技术的发展,产生了控制效果好、鲁棒性强并且适用于复杂的工业过程的预测控制算法,并已在机械、化工、石油、冶金等工业领域的控制系统中得到了成功的应用。研究基于智能方法的预测控制算法具有重要的理论与现实意义。本文首先介绍了预测控制的基本原理和结构,讨论了模型预测控制,动态矩阵控制及广义预测控制的预测模型、滚动优化、反馈校正及其稳定性和鲁棒性。然后,详细介绍了神经网络建模的基础理论,遗传算法和差分进化算法的基本原理与方法。并且对差分进化算法改进,并运用改进的差分进化算法对神经网络模型进行参数优化。在上述理论的基础上,提出一种利用神经网络建立预测模型,应用智能优化方法进行滚动优化的基于智能方法的预测控制策略。本文分别针对时滞的非线性模型,有约束的非线性模型及参数可变的非线性模型进行了预测控制的仿真研究,仿真结果证明了基于智能方法的预测控制的有效性。本文还比较了预测控制中参数设置对于控制结果的影响,仿真结果显示,参数的设置对于控制的快速性,准确性,稳定性等有比较明显的影响。最后,分别运用遗传算法和改进的差分进化算法实现滚动优化进行预测控制仿真,并对两种智能方法的仿真结果进行比较。仿真结果显示,采用改进的差分进化算法进行滚动优化的预测控制总体效果相对较好。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 论文研究背景
• 1.2 本文研究的目的及意义
• 1.2.1 预测控制的研究进展
• 1.2.2 预测控制的研究展望
• 1.3 本文研究的内容
• 第2章 预测控制理论基础
• 2.1 预测控制的基本原理
• 2.1.1 预测控制的基本框架
• 2.1.2 预测控制的基本特征
• 2.2 典型的预测控制算法
• 2.2.1 模型算法控制
• 2.2.2 动态矩阵控制
• 2.2.3 广义预测控制
• 2.3 小结
• 第3章 智能算法研究及改进
• 3.1 差分演化算法
• 3.1.1 标准差分演化算法
• 3.1.2 标准差分演化算法的基本框架
• 3.2 其他的差分演化算法
• 3.3 改进的差分演化化算法
• 3.3.1 改进的差分演化算法的算法框架
• 3.3.2 改进的差分演化算法特征分析
• 3.4 数值试验
• 3.5 遗传算法简介
• 3.6 小结
• 第4章 基于改进差分算法的神经网络
• 4.1 神经网络的发展概况
• 4.2 人工神经元模型
• 4.3 人工神经网络的结构
• 4.4 神经网络的学习
• 4.4.1 学习方式
• 4.4.2 学习规则
• 4.5 基于改进DE算法的BP神经网络
• 4.5.1 基本的BP神经网络
• 4.5.2 基于改进差分算法的BP神经网络
• 4.5.3 仿真研究
• 4.6 基于改进DE的RBF神经网络
• 4.6.1 基本的RBF神经网络
• 4.6.2 基于改进DE的RBF神经网络
• 4.6.3 仿真研究
• 4.7 小结
• 第5章 基于智能方法的预测控制及仿真
• 5.1 神经网络非线性多步预测模型
• 5.1.1 多步预测模型的类型
• 5.1.2 三层前向神经网络预测模型
• 5.2 神经网络预测控制结构
• 5.3 BP神经网络非线性预测控制
• 5.3.1 预测控制器
• 5.3.2 控制算法步骤
• 5.4 基于径向基函数神经网络的预测控制
• 5.4.1 RBF网络预测控制建模
• 5.4.2 RBF网络预测控制的优化计算
• 5.5 仿真研究
• 5.5.1 基于智能方法非线性时滞对象的预测控制仿真
• 5.5.2 基于智能方法的非线性有约束预测控制仿真
• 5.5.3 基于智能方法的非线性参数时变对象预测控制仿真
• 5.6 小结
• 第6章 结论与展望
• 参考文献
• 致谢