基于極值動(dòng)力學(xué)的MEMETIC算法及其在非線性預(yù)測(cè)控制中的應(yīng)用研究.pdf

1、以預(yù)測(cè)控制為典型代表的先進(jìn)控制技術(shù)在過(guò)去的幾十年中取得了許多重要成果和廣泛應(yīng)用。隨著現(xiàn)代工業(yè)的發(fā)展，對(duì)大型、復(fù)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(qiáng)非線性、難以用數(shù)學(xué)模型精確描述的復(fù)雜系統(tǒng)建模與實(shí)時(shí)優(yōu)化問(wèn)題，基于線性模型的預(yù)測(cè)控制的局限性日益明顯。非線性預(yù)測(cè)控制的提出為解決上述問(wèn)題提供了可行的途徑，然而非線性模型的引入也帶來(lái)了一系列理論與實(shí)際難題，如預(yù)測(cè)模型結(jié)構(gòu)/參數(shù)選擇、控制變量的滾動(dòng)優(yōu)化等。這就促使工業(yè)過(guò)程領(lǐng)域

2、的學(xué)者們致力于適合非線性過(guò)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(kāi)發(fā)。近年來(lái)，進(jìn)化算法(Evolutionary Algorithm，EA)憑借其求解復(fù)雜非線性?xún)?yōu)化問(wèn)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(shí)、控制器設(shè)計(jì)等領(lǐng)域得到了廣泛應(yīng)用。然而，進(jìn)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(shí)時(shí)性不能令人滿(mǎn)意等不足。針對(duì)上述問(wèn)題，Memetic算法(Memeticalgorithm，MA)將基于

3、全局的隨機(jī)搜索和基于局部的啟發(fā)式搜索有機(jī)地結(jié)合起來(lái)。該類(lèi)算法采用進(jìn)化算法的操作流程，引入局部啟發(fā)式搜索來(lái)模擬由大量專(zhuān)業(yè)知識(shí)支撐的變異過(guò)程，在保證較高收斂性能的同時(shí)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(yù)測(cè)控制領(lǐng)域，對(duì)預(yù)測(cè)模型和滾動(dòng)優(yōu)化兩個(gè)關(guān)鍵環(huán)節(jié)中存在的研究難點(diǎn)及其應(yīng)用現(xiàn)狀做了深入而全面的總結(jié)。基于最新提出的統(tǒng)計(jì)物理學(xué)概念——極值動(dòng)力學(xué)，借鑒協(xié)同進(jìn)化思想，在MEMETIC框架下提出了兩種

4、基于極值動(dòng)力學(xué)的高效率混合優(yōu)化算法，通過(guò)一系列典型優(yōu)化問(wèn)題驗(yàn)證了所提算法的有效性，并進(jìn)一步將其應(yīng)用于非線性預(yù)測(cè)控制的模型辨識(shí)和滾動(dòng)優(yōu)化中。本文的主要工作包括:
　　(1)針對(duì)現(xiàn)有的極值優(yōu)化算法在理論基礎(chǔ)、局部搜索能力方面存在的不足，對(duì)協(xié)同進(jìn)化、Memetic算法以及極值動(dòng)力學(xué)的內(nèi)在聯(lián)系進(jìn)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(guò)程中，提出了一種用于求解無(wú)約束優(yōu)化問(wèn)題的混合EO-LM算法，并將其應(yīng)用到典型的無(wú)約束優(yōu)化問(wèn)題——神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中，取得了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法更好的結(jié)果。
　　(2)在上述算法的基礎(chǔ)上，考慮到預(yù)測(cè)控制中的優(yōu)化問(wèn)題常常帶有各種約束，設(shè)計(jì)了可求解無(wú)約束/有約束非線性?xún)?yōu)化問(wèn)題的EO-SQP算法，并通過(guò)一系列典型非線性數(shù)值優(yōu)化問(wèn)題的仿真驗(yàn)證了算法的有效性，進(jìn)

6、一步，結(jié)合仿真實(shí)例的優(yōu)化過(guò)程對(duì)所提算法動(dòng)力學(xué)特點(diǎn)進(jìn)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(yù)測(cè)控制中對(duì)預(yù)測(cè)模型的需求，提出了一種可對(duì)支持向量機(jī)模型核函數(shù)/參數(shù)同時(shí)優(yōu)化的EO-SVR算法，并應(yīng)用于非線性系統(tǒng)的動(dòng)態(tài)建模;同時(shí)，采用可變窗口變異策略對(duì)EO-SQP算法進(jìn)行改進(jìn)，使之可用于NMPC的滾動(dòng)優(yōu)化。在上述預(yù)測(cè)模型和在線優(yōu)化算法的基礎(chǔ)上，設(shè)計(jì)NMPC控制器，并通過(guò)一類(lèi)