精华内容
下载资源
问答
  • 非线性模型预测控制

    2016-01-13 20:03:20
    经典的MPC程序,可以求解非线性问题,适合新手使用。
  • 非线性模型预测控制对应的PPT\非线性模型预测控制对应的PPT,2017_Book_NonlinearModelPredictiveContro
  • 介绍了非线性模型预测控制算法结构, 提出了基于遗传算法的非线性模型预测控制方法, 将遗 传算法作为优化技术用于受限非线性模型预测控制器的设计。 算法采用双模控制策略, 将保证预测控制 算法稳定性的...
  • 文章基于非线性模型预测控制的基本原理,对目前该领域的热点问题和取得的成果进行了综述,指出了研究不确定系统和时滞系统的非线性模型预测控制对进一步发展预测控制理论和拓宽其应用范围的意义。
  • 针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的...
  • 非线性模型预测控制(NMPC)算法的matlab程序,求由目标函数及过程模型定义的NMPC问题的闭环最优控制。
  • 提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法.首先,通过考虑输入,输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈校正...
  • 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律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度和...
  • 基于多参数分解的全局最优非线性模型预测控制
  • 带有持续扰动的基于多步控制集的非线性模型预测控制
  • 提出一种基于并行支持向量机的多变量系统非线性模型预测控制算法.首先,通过考虑输入、输出间的耦合,建立基于并行支持向量机的多步预测模型;然后,将该模型用于非线性预测控制,提出新的适用于并行预测模型的反馈...
  • 本人在硕士期间做的一些有关于非线性模型预测控制的代码,现在已经不再做相关的行业,拿出来与大家分享。 很具有参考价值,相关方向的不容错过,可惜只是matlab仿真,但是并没有去做实现。不过应付应付论文是足够了...
  • 井喷轮胎车辆的非线性模型预测控制及其基于地图的实现
  • 将预测控制和滑模控制结合起来, 提出一种非线性模型预测控制方法。给出一种可行的双模控 制方案, 系统状态位于终端区外时采用提出的预测控制, 在终端区内部采用离线设计的滑模控制。对系 统终端滑模附加...
  • 基于ESN和PSO的非线性模型预测控制,周海林,柴毅,在非线性系统的模型预测控制研究中,预测模型的精度在预测控制中有很重要的作用,因为神经网络能够很好的辨识非线性的系统,回声
  • 一个非线性模型预测控制程序,初学者入门的好资料,值得下载参考
  • 提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真...
  • 非线性模型预测控制-建模方法

    千次阅读 2017-11-21 11:42:28
    非线性模型预测控制-建模方法

    1. 采用线性化方法
    线性化方法是研究非线性系统的常规方法。将非线性系统局部线性化主要是为了沿用线性系统中已有的成果,计算简单,实时性好。对于非线性较强的系统,用单个线性化模型很难反映系统在大范围内的动、静态特性,控制品质甚至稳定性都难以保证。因此实际处理时,有以下三种线性化方法。
    (1)将非线性机理模型在每个采样点附近线性化,然后对线性化的模型采用线性的预测控制算法,其特点是在每个采样时刻都采用新的模型,能尽量减小线性化带来的误差。但是频繁的在线更换模型会导致需要反复计算相关矩阵参数,计算量加大,且不利于离线对控制器的参数进行优化设计。
    (2)多模型方法。顾名思义,就是引入区间近似的思想,用多个线性化的模型来描述同一个非线性的对象。多模型方法的优点在于可以离线的计算大部分控制参数,难点则是如何确定模型切换的时机以及保证模型切换时的平稳性。
    (3)反馈线性化(即就是 I/O 扩展线性化)的方法,即对非线性系统引入非线性反馈补偿律,使非线性系统对虚拟控制输入量实现线性化,便可以使用线性的 MPC方法。也有许多非线性系统不满足反馈线性化的条件,使其应用受到限制。

    2. 利用各种特殊模型
    常用的非线性模型包括 volterra 模型、Hammerstein 模型、Wiener 模型等。volterra模型为非线性对象的广义脉冲响应模型,可以描述一类非线性对象的输入输出特性,实际应用中常采用正、负和双阶跃响应法建立系统的 volterra 模型。Hammerstein 模型和 Wiener 模型都是由一个非线性的静态子系统和一个线性的动态子系统串联而成,二者的区别是串联的顺序不同。
    关于特殊模型较详细的信息可以参见我的另一篇博文:MPC中常用到的非线性模型

    3. 基于神经网络的预测控制
    神经网络以其分布式存储、并行处理、良好的鲁棒性、自适应性、自学习性,在控制界具有广阔的应用前景。由于神经网络能够以良好的精度逼近非线性函数,且基于神经网络的建模方法具有普遍性,因此在非线性预测控制中受到重视,相关的研究成果也比较多。
    关于采用神经网络的预测控制,存在的困难也比较多,主要是还不能有效地进行多步预测,而通常来说多步预测的控制效果要明显优于单步预测。尽管将多个神经网络串联可以得到多步的输出预测,但这样会增加控制器的复杂程度,直接影响控制量的求解。同时,如果需要在线进行模型辨识,那么在线的网络训练需要较长的时间,控制的实时性变差。

    展开全文
  • Nonlinear Model Predictive Control Theory and Algorithms 非线性模型预测控制以及对应的PPT
  • 将预测控制和滑模控制结合起来,提出-种非线性模型预测控制方法。给出-种可行的双模控制方案,系统状态位于终端区外时采用提出的预测控制,在终端区内部采用离线设计的滑模控制。对系统终端滑模附加不等式约束,使得...
  • explicit-mpc:基于鲁棒非线性回归和约简支持向量机的基于学习的显式非线性模型预测控制
  • MPC(2)非线性模型预测控制

    千次阅读 2019-11-01 10:44:50
    因此,相对于非线性模型预测控制,线性时变模型预测控制是一种次优的选择。 对于一个非线性系统,一般有如式(1)的离散模型: ξ(t+1)=f(ξ(t),u(t))(1) \xi(t+1)=f(\xi(t),u(t))\tag{1} ξ(t+1)=f(ξ(t),u(t))(1) ξ...

    MPC第一篇是以线性模型预测控制作为开始,然而实际情况中大多数情况下,系统都不是线性系统。因此,相对于非线性模型预测控制,线性时变模型预测控制是一种次优的选择。
    对于一个非线性系统,一般有如式(1)的离散模型:

    ξ(t+1)=f(ξ(t),u(t))(1) \xi(t+1)=f(\xi(t),u(t))\tag{1}
    ξ(t)χ, u(t)Γ\xi(t)\in\chi,\space u(t)\in\Gamma
    式中,f(,)f(*,*)为系统状态转移函数,
    ξ\xinsn_s维状态变量,
    uumcm_c维控制变量,
    χ\chi为状态变量约束,
    Γ\Gamma为控制变量约束。

    设定f(0,0)=0f(0,0)=0为系统的一个稳定点,即系统的控制目标。
    对于任意时域NN,设定如式(2)优化目标函数JN(,)J_N(*,*)
    JN(ξ(t),U(t))=k=1t+N1l(ξ(k),u(k))+P(ξ(t+N))(2) J_N(\xi(t),U(t)) =\displaystyle\sum_{k=1}^{t+N-1}l(\xi(k),u(k))+P(\xi(t+N)) \tag{2}
    式中,U(t)=[u(t),,u(t+N1)]TU(t)=[u(t),\dots,u(t+N-1)]^T是在时域N内的控制量输入序列,
    ξ(t)\xi(t)是在控制量输入序列U(t)U(t)的作用下,系统状态向量的轨迹,
    l(,)l(*,*)表示对期望输出的跟踪能力,
    P()P(*)表示终端约束。

    结合(1),(2)式可知,非线性模型预测控制就是在每一步长内求解出带约束的有限时域优化的问题。
    minUt,ξt+1,,ξt+N,t JN(ξt,Ut)\underset{U_t,\xi_{t+1},\dots,\xi_{t+N},t}{\min}\space J_N(\xi_t,U_t)
    s.t.s.t.  ξ(k+1,t)=f(ξk,t,Uk,t), k=t,,N1\space \xi_(k+1,t)=f(\xi_{k,t},U_{k,t}),\space k=t,\dots,N-1
    ξk,tχ, k=t+1,,t+N1\xi_{k,t}\in \chi,\space k=t+1,\dots,t+N-1
    uk,t=Γ, k=t,,t+N1u_{k,t}=\Gamma,\space k=t,\dots,t+N-1
    ξk,t=ξ(t)\xi_{k,t}=\xi(t)
    ξN,tχfin\xi_{N,t}\in\chi_{fin}
    其中,第1个条件为系统所决定的状态约束,
    第2、3个条件为状态向量和控制向量的约束,
    第4个为初始状态的约束,
    最后一个条件为终端状态约束。

    展开全文
  • 论文研究-具有可变终端代价项的非线性模型预测控制.pdf, 针对离散时间非线性系统的模型预测控制问题, 提出了一种具有可变自调节终端代价项的模型预测控制方案. 此方案...
  • masterThesis:非线性模型预测控制中基于伴随的预测器校正器顺序凸规划-汽车模型源代码
  • 提出了一种基于粒子群优化算法(PSO)的非线性模型预测控制(NMPC)。作为NMPC重要组成的滚动优化部分对控制效果的好坏起着关键的作用,因而寻求一种可靠的优化算法十分必要。PSO算法是一种群集智能方法,通过粒子之间的...
  • 为了解决非线性模型预测控制在实际工程系统应用时,传统方法求解非凸的非线性规划问题容易陷入局部极小,计算量随着问题维数的增加呈几何级数增长的问题,对传统的差分进化算法进行了改进. 通过动态调节差分进化算法的...
  • 模型预测控制的一个主要优点是能显式并优化处理控制量和状态量的约束。为此, 主要围绕 线性预测控制的算法、 稳定性和鲁棒性、 对偶问题和滚动时域估计的最新研究成果进行综述, 并阐述了 理论与应用方面...
  • 针对MIMO非线性系统的模型预测控制(MPC),建立了一种新型的带有外部输入的反向传播自回归(BP-ARX)组合模型,可以得到输入与输出之间的稳态关系。 BP神经网络代表稳态关系,ARX模型代表非线性系统输入和输出之间...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 654
精华内容 261
关键字:

非线性模型预测控制