優(yōu)化迭代學習控制算法及其收斂性分析.pdf

1、迭代學習控制從最初解決機器手運動的控制問題發(fā)展為解決很多具有周期特性的工程對象的控制問題，其利用實際輸出和期望輸出的偏差對當前的控制輸入信號進行學習修正的思想，越來越得到了控制工程領域的廣泛接受和高度重視。由于迭代學習控制方法所具有的不過分依賴模型的特點和實際應用中的良好效果，已經(jīng)成為了現(xiàn)代智能控制技術(shù)中的一種重要控制方法。
　　為解決傳統(tǒng)參數(shù)優(yōu)化迭代學習控制算法只適用于正定模型的局限性，本文提出一種高階參數(shù)優(yōu)化迭代學習控制算法。

2、該算法利用多次迭代誤差的信息，建立參數(shù)優(yōu)化目標函數(shù)得到最優(yōu)迭代學習律。在被控對象不滿足正定性的條件下，仍保證跟蹤誤差單調(diào)收斂于零。此外，還提出了基于奇異值分解的PID型參數(shù)優(yōu)化迭代學習控制算法，根據(jù)范數(shù)性能指標建立目標函數(shù)，通過對系統(tǒng)模型矩陣的奇異值分解得到學習增益矩陣，使算法應用于模型為非正定的系統(tǒng)時仍然保證閉環(huán)跟蹤誤差單調(diào)收斂至零。該算法還將PID型控制器引入到參數(shù)優(yōu)化迭代學習控制算法的設計中，提高了學習速度。
　　針對非線性

3、系統(tǒng)跟蹤控制問題，本文將擬Broyden法和參數(shù)優(yōu)化迭代學習控制方法結(jié)合，提出一種新的優(yōu)化迭代學習控制算法，利用擬Broyden法對系統(tǒng)的Jacobian矩陣進行迭代近似計算，并通過目標函數(shù)對學習增益進行優(yōu)化。該算法不僅能夠簡化傳統(tǒng)牛頓法中求逆計算所帶來的復雜性，而且具有單調(diào)遞減的特性和全局收斂性。
　　針對一類特殊采樣點的軌跡終端跟蹤控制問題，本文提出了一種改進的牛頓法迭代學習控制算法，該算法具有單調(diào)收斂的性能和較大的收斂范圍。

4、利用一個間歇反應的生成物產(chǎn)量跟蹤實例對算法的有效性進行了驗證。
　　本文將迭代學習優(yōu)化控制方案應用到一類具有擾動和初始狀態(tài)誤差等不確定性的非線性離散系統(tǒng)中。從理論上證明了對于無擾動情況，算法能夠保證系統(tǒng)跟蹤誤差以幾何速度一致收斂于零，系統(tǒng)控制輸入收斂到期望輸入軌跡;對于具有擾動和初始狀態(tài)誤差的非線性離散系統(tǒng)，給出了該算法具有BIBO魯棒穩(wěn)定性的充分條件。
　　本文還給出了P型迭代學習控制在帶有擾動的一般性非線性系統(tǒng)具有魯棒性