魯棒模型預(yù)測(cè)控制的隨機(jī)化算法.pdf

1、廈門(mén)大學(xué)學(xué)位論文原創(chuàng)性聲明本人呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下，獨(dú)立完成的研究成果。本人在論文寫(xiě)作中參考其他個(gè)人或集體已經(jīng)發(fā)表的研究成果，均在文中以適當(dāng)方式明確標(biāo)明，并符合法律規(guī)范和《廈門(mén)大學(xué)研究生學(xué)術(shù)活動(dòng)規(guī)范(試行)》。另外，該學(xué)位論文為()課題(組)的研究成果，獲得()課題(組)經(jīng)費(fèi)或?qū)嶒?yàn)室的資助，在()實(shí)驗(yàn)室完成。(請(qǐng)?jiān)谝陨侠ㄌ?hào)內(nèi)填寫(xiě)課題或課題組負(fù)責(zé)人或?qū)嶒?yàn)室名稱，未有此項(xiàng)聲明內(nèi)容的，可以不作特別聲明。)聲明人(簽名)：融磊≯切I

2、弓年b月≥日摘要模型預(yù)測(cè)控制(ModelPredictiveControl，MPC)是利用預(yù)測(cè)模型對(duì)對(duì)象的未來(lái)響應(yīng)進(jìn)行預(yù)測(cè)的新型計(jì)算機(jī)控制算法，被廣泛應(yīng)用于工業(yè)過(guò)程控制當(dāng)中。但是，由于模型不確定性的存在，基于精確模型設(shè)計(jì)得到的MPC可能導(dǎo)致系統(tǒng)性能惡化，甚至不穩(wěn)定。因此，魯棒模型預(yù)測(cè)控制(RobustModelPredictiveControl，RMPC)的相關(guān)研究具有十分重要的意義。MinMaxMPC(MMMPC)方法是一種典型的確定

3、性RMPC設(shè)計(jì)方法。該方法針對(duì)對(duì)象中的不確定性，考慮其所有可能的實(shí)現(xiàn)(realizations)，通過(guò)在線求解最小化『最惡劣』(worstcase)情形時(shí)的目標(biāo)函數(shù)來(lái)計(jì)算最優(yōu)控制作用，要求龐大的在線計(jì)算’_Il：。并且，由于『最惡劣』的情形往往不一定發(fā)生，因此針對(duì)『最惡劣』情形的優(yōu)化容易導(dǎo)致過(guò)度保守的設(shè)計(jì)。為了克服確定性RMPC設(shè)計(jì)方法的缺點(diǎn)，本文針對(duì)具有有界加性擾動(dòng)不確定性(boundedadditivedisturbanceunce

4、rtainties)以及模型參數(shù)不確定性(parametricuncertainties)的約束線性時(shí)不變系統(tǒng)，提出了一種RMPC隨機(jī)化算法。該算法從概率的角度，將系統(tǒng)中的不確定性(參數(shù))假設(shè)為具有一定概率分布的隨機(jī)變_fl：，并利用隨機(jī)化算法，離線地對(duì)隨機(jī)變量進(jìn)行采樣，生成一系列有限容量的獨(dú)立隨機(jī)樣本，離線計(jì)算目標(biāo)函數(shù)的經(jīng)驗(yàn)均值。樣本容量則由本文提出的一種新的估計(jì)方法得到。相對(duì)于MinMax方法針對(duì)『最惡劣』情形進(jìn)行的優(yōu)化，本文提出的