LM優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)預(yù)測控制在非線性系統(tǒng)中的研究.pdf

1、隨著時代的進步，科技水平有了迅速提升，工業(yè)生產(chǎn)過程更加復(fù)雜化，對控制器的控制精度也提出了更高的要求。在如此嚴峻的工業(yè)環(huán)境下，PID控制等傳統(tǒng)方法的控制能力稍顯薄弱，而預(yù)測控制表現(xiàn)出強大的工業(yè)適應(yīng)性，并逐漸確立其在工業(yè)控制中的地位。預(yù)測控制可根據(jù)當前情況動態(tài)修改預(yù)測模型，尤其在控制對象具有多輸入多輸出、非線性、時變和大純滯后等特點時，控制效果與控制精度的優(yōu)勢表現(xiàn)更為突出。本文以非線性系統(tǒng)作為預(yù)測控制的研究對象，對其相關(guān)背景、結(jié)構(gòu)理論及工業(yè)

2、應(yīng)用現(xiàn)狀等進行闡述與分析。
　　本文首先對預(yù)測控制的研究背景與現(xiàn)狀做出分析，介紹其基本原理、穩(wěn)定性和魯棒性等性能，列舉了預(yù)測模型的幾種典型的建模方法。當被控對象為非線性系統(tǒng)時，重點對神經(jīng)網(wǎng)絡(luò)預(yù)測控制預(yù)測模型精度不高和滾動優(yōu)化求解困難提出了相關(guān)的改進方法。具體內(nèi)容如下：
　　依據(jù)BP神經(jīng)網(wǎng)絡(luò)在強非線性時可以逼近任何對象的能力將其選為模型辨識方法。針對其易陷入局部極小值、收斂速度慢等缺點，提出一種以思維進化算法和LM算法相結(jié)合的

3、LM-MEA優(yōu)化算法對其權(quán)值和閾值進行優(yōu)化。LM-MEA算法利用了思維進化算法中模擬人類思維過程的思路和在趨同、異化操作方法下表現(xiàn)出來的求解速度快、計算精度高的優(yōu)點對LM算法過于依賴初值的缺點進行了改進。通過標準函數(shù)測試表明LM-MEA算法具有較好的尋優(yōu)性能。對非線性對象進行建模預(yù)測與仿真實驗，證明基于LM-MEA針對滾動優(yōu)化環(huán)節(jié)，將 LM算法與粒子群算法相結(jié)合的提出一種LM-PSO優(yōu)化算法。LM-PSO算法利用了PSO算法的全局收斂速

4、度快和LM算法在靠近局部極小值時搜索精度高的優(yōu)點，克服了LM算法過于依賴初值和 PSO算法容易陷入局部極值的缺點。同樣將該算法經(jīng)過測試函數(shù)驗證，證明具有良好的尋優(yōu)性能。選取非線性系統(tǒng)作為研究對象，以BP神經(jīng)網(wǎng)絡(luò)作為模型辨識方法，將 LM-PSO算法用于求解滾動優(yōu)化環(huán)節(jié)中目標函數(shù)的最優(yōu)控制量，并與其他算法相對比。通過仿真實驗證明LM-PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測控制方法提升了綜合控制性能。
　　最后，將以LM-MEA-BP神經(jīng)網(wǎng)絡(luò)為預(yù)測