基于混沌和粒子群優(yōu)化的非線性建模與控制研究.pdf

1、隨著生產過程自動化水平的提高和優(yōu)化方法在控制領域應用中的深入，人們對提高生產效率、提高產品質量和降低生產成本提出了越來越高的要求，許多實際的控制問題歸結為控制器參數的優(yōu)化問題。同時，隨著工業(yè)過程復雜程度的提高，很多控制過程都存在著非線性、強約束、隨機性、大規(guī)模等特性，內在機理十分復雜，建立精確的數學模型十分困難。而有些傳統(tǒng)的優(yōu)化方法中，如果初始值選擇不好，就會容易陷入局部極小和優(yōu)化時間較長，使優(yōu)化效果達不到實際系統(tǒng)的要求。 混沌

2、優(yōu)化和粒子群優(yōu)化都是新穎的智能優(yōu)化方法，目前已經得到不同領域研究者的注意，其理論和應用方面的研究都已經取得了初步成果。本文主要從混沌優(yōu)化和粒子群優(yōu)化分別引入到廣義預測控制和非線性神經網絡預測控制、以及預測PID控制器的整定方面進行了研究，做了一些創(chuàng)新研究工作。 本論文開展了以下幾個方面的主要研究工作： 1．提出了基于混沌優(yōu)化的有約束廣義預測控制器，仿真研究表明混沌優(yōu)化方法能夠有效地處理預測控制中的約束和非線性優(yōu)化問題，且

3、計算時間短，具有一定的實用價值。 2．提出了基于Logistic映射的混沌優(yōu)化算法(LCOA)和基于Tent映射的混沌優(yōu)化算法(TCOA)的非線性神經網絡預測控制器，這兩種控制器都避免了梯度算法易陷入局部極值和傳統(tǒng)神經網絡預測控制中復雜繁瑣的梯度矩陣計算問題，減少了計算量，提高了精確性。另外，TCOA混沌軌道點密度為均勻分布，迭代速度更快，仿真實例顯示TCOA具有更好的跟蹤性能和精度，也驗證了Tent映射作為搜索策略的良好特性。

4、 3．針對標準粒子群優(yōu)化算法(PSO)容易陷入局部極值、精度低等缺點，提出了一種基于Tent映射的新型混沌粒子群優(yōu)化算法(TCPSO)，基準函數測試表明，在慣性權重固定為某個較小值時，TCPSO比PSO具有更高的搜索精度和魯棒性。將TCPSO算法應用到神經網絡訓練及神經網絡預測控制中，得到了良好的控制跟蹤效果，也驗證了Tent映射作為搜索策略的良好特性。 4．在預測PID控制器參數的整定方面,分別提出了一種基于Tent映

5、射混沌優(yōu)化的自適應有約束預測PID控制器和一種基于粒子群優(yōu)化的自適應有約束預測PID控制器。由于Tent映射混沌優(yōu)化和粒子群優(yōu)化對于不同結構的優(yōu)化性能指標是魯棒的，所以這兩種控制器可方便地擴展應用于不同問題。最后仿真研究說明了自適應有約束預測PID控制器的有效性。 5．關于混沌反同步問題，提出了基于主動控制方法實現不同混沌和超混沌的反同步，并利用Lyapunov穩(wěn)定性理論和Routh判據分析反同步誤差動態(tài)系統(tǒng)的穩(wěn)定性，并指出如何