论文部分内容阅读
模型预测控制(Model predictive control, MPC)理论研究发展至今已经三十多年，随着科学技术的进步和工业领域的发展，人们对预测控制提出了越来越高的要求，而传统的控制系统很难满足现今的工艺需求，尤其是对实际工业领域中的强非线性控制系统而言。因此针对非线性系统如何构建预测精准、满足实际需求的预测控制模型成了当今控制领域的研究热点。本文主要针对模型预测控制算法在非线性系统中如何构建非线性预测模型和科学选取模型参数两方面进行相关分析和研究，提出以支持向量回归机作为非线性预测模型，并利用多Agent粒子群算法对模型预测控制系统中的重要参数进行寻优，具体研究内容如下：（1）在基本粒子群算法(Particle Swarm Optimization, PSO)的基础上，融合了多Agent系统的结构特征，提出多Agent粒子群算法(Multi-Agent Particle SwarmOptimization Algorithm, MAPSO)。MAPSO算法应用了PSO算法的迭代更新原理，同时引入多Agent系统的环境概念以及竞争合作机制，使得MAPSO算法中的粒子能够获取环境信息，而且根据环境数据的变化，改变自身的行动策略，从而提高算法的求解效率。（2）针对非线性系统的建模问题，考虑不同算法的非线性拟合能力，引入支持向量回归算法(Support Vector Regression, SVR)，构建SVR模型预测控制器，并利用多Agent粒子群算法对其参数进行寻优求解。在非线性系统的单步预测控制中，通过与基于粒子群算法、基于遗传算法优化的SVR模型预测控制方法及RBF神经网络的预测控制方法进行比较，仿真结果表明多Agent粒子群具有良好的参数寻优能力，同时得到的预测控制模型具有良好的控制性能，可以有效应用于非线性系统的预测控制中。（3）在单步预测控制的基础上，提出了基于多Agent粒子群优化的多步SVR预测控制模型，对非线性系统进行多步预测控制，通过预测控制的机理推导出满足滚动优化目标函数的预测输出的控制率。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析，仿真结果表明该预测控制模型优于其他控制器，具有良好的预测性能，可有效地对非线性系统进行多步预测控制。