基于極值動力學的MEMETIC算法及其在非線性預測控制中的應用研究.pdf

1、以預測控制為典型代表的先進控制技術在過去的幾十年中取得了許多重要成果和廣泛應用。隨著現(xiàn)代工業(yè)的發(fā)展，對大型、復雜和不確定性系統(tǒng)的控制品質(zhì)要求不斷提高，逐漸涉及到很多具有強非線性、難以用數(shù)學模型精確描述的復雜系統(tǒng)建模與實時優(yōu)化問題，基于線性模型的預測控制的局限性日益明顯。非線性預測控制的提出為解決上述問題提供了可行的途徑，然而非線性模型的引入也帶來了一系列理論與實際難題，如預測模型結(jié)構(gòu)/參數(shù)選擇、控制變量的滾動優(yōu)化等。這就促使工業(yè)過程領域

2、的學者們致力于適合非線性過程建模、控制及優(yōu)化的高效率全局優(yōu)化算法的研究與開發(fā)。近年來，進化算法(Evolutionary Algorithm，EA)憑借其求解復雜非線性優(yōu)化問題所表現(xiàn)出的全局搜索能力、通用性和易用性，在系統(tǒng)分析、模型辨識、控制器設計等領域得到了廣泛應用。然而，進化算法存在尋優(yōu)結(jié)果一致性差、局部搜索效率低、求解精度以及實時性不能令人滿意等不足。針對上述問題，Memetic算法(Memeticalgorithm，MA)將基于

3、全局的隨機搜索和基于局部的啟發(fā)式搜索有機地結(jié)合起來。該類算法采用進化算法的操作流程，引入局部啟發(fā)式搜索來模擬由大量專業(yè)知識支撐的變異過程，在保證較高收斂性能的同時又能獲得高質(zhì)量解，大大提高了算法的搜索效率和求解精度。
　　本研究立足于非線性模型預測控制領域，對預測模型和滾動優(yōu)化兩個關鍵環(huán)節(jié)中存在的研究難點及其應用現(xiàn)狀做了深入而全面的總結(jié)?；谧钚绿岢龅慕y(tǒng)計物理學概念——極值動力學，借鑒協(xié)同進化思想，在MEMETIC框架下提出了兩種

4、基于極值動力學的高效率混合優(yōu)化算法，通過一系列典型優(yōu)化問題驗證了所提算法的有效性，并進一步將其應用于非線性預測控制的模型辨識和滾動優(yōu)化中。本文的主要工作包括:
　　(1)針對現(xiàn)有的極值優(yōu)化算法在理論基礎、局部搜索能力方面存在的不足，對協(xié)同進化、Memetic算法以及極值動力學的內(nèi)在聯(lián)系進行了分析?；贛emetic算法的框架，將確定性局部搜索算法——列文伯格-馬夸爾特算法（Levenberg-Marquardt，LM）作為局部搜索

5、算子引入到極值優(yōu)化算法（Extremal Optimization，EO）的搜索過程中，提出了一種用于求解無約束優(yōu)化問題的混合EO-LM算法，并將其應用到典型的無約束優(yōu)化問題——神經(jīng)網(wǎng)絡的學習中，取得了比傳統(tǒng)神經(jīng)網(wǎng)絡學習算法更好的結(jié)果。
　　(2)在上述算法的基礎上，考慮到預測控制中的優(yōu)化問題常常帶有各種約束，設計了可求解無約束/有約束非線性優(yōu)化問題的EO-SQP算法，并通過一系列典型非線性數(shù)值優(yōu)化問題的仿真驗證了算法的有效性，進

6、一步，結(jié)合仿真實例的優(yōu)化過程對所提算法動力學特點進行了分析。與傳統(tǒng)優(yōu)化算法相比，所提出的EO-SQP算法具有良好的優(yōu)化性能和求解效率。
　　(3)根據(jù)非線性預測控制中對預測模型的需求，提出了一種可對支持向量機模型核函數(shù)/參數(shù)同時優(yōu)化的EO-SVR算法，并應用于非線性系統(tǒng)的動態(tài)建模;同時，采用可變窗口變異策略對EO-SQP算法進行改進，使之可用于NMPC的滾動優(yōu)化。在上述預測模型和在線優(yōu)化算法的基礎上，設計NMPC控制器，并通過一類