论文部分内容阅读
在工业过程控制、通讯、交通等领域,广泛存在着具有混杂特性的系统:其不但包含了连续的理化生反应,而且受到大量逻辑规则的约束:系统中含有大量的开关、阀门、继电器等设备使其存在着不同操作模式间的切换。面对这种形势,由于连续变量动态系统(Continuous Variable Dynamic Systems,CVDS)和离散事件动态系统(Discrete Event Dynamic Systems,DEDS)之间存在着的相互耦合作用及其所表现出的特殊动力学特性,需要建立和使用混杂系统(Hybrid Systems,HS)理论来分析和研究这类同时包含CVDS和DEDS的系统。本研究主要考虑如下所述的混杂系统:被控对象是一个连续/混杂系统,系统输出值为模拟值,然而其同时受到离散监督器的控制,控制信号为离散(符号)型。本研究旨在使用模糊系统的方法处理该类混杂系统的建模与控制问题。 本文的主要贡献总结如下: (1)使用学习自动机作为该类混杂系统分层递阶控制中的上层监督控制器,将再励学习算法作为自动机的学习策略,并根据不同应用场景使用不同的再励学习策略;将该控制器应用至三水槽控制示例中,分析了学习自动机作为监督控制器时与模糊系统间的共性,为后续的研究提供了思路与方向; (2)基于l-完备近似方法,提出了模糊l-完备近似方法对混杂系统进行建模,并据此设计监督控制策略。在控制信号仅为离散值/符号值的情况下,可以将混杂系统抽象为离散事件系统;因而能够使用离散事件系统中的经典控制方法(监督控制理论)处理其动态特性以满足系统要求。模糊方法大大减少了原方法的抽象结果中的状态个数;将模糊l-完备近似方法与原方法应用至单水槽/多水槽仿真示例中,对比其抽象效果,可以看出模糊方法在不降低抽象精度的前提下降低了抽象后的系统复杂度; (3)提出了模糊推理Petri网(Fuzzy Inference Petri Nets,FIPN)用于描述混杂系统。FIPN中的模糊推理规则使用Wang-Mendel(WM)方法得到。在使用WM方法这一数据驱动建模方法进行模糊规则提取时,使用人工蜂群算法(Artificial Bee Colony,ABC)对其参数进行估计(优化)。WM方法提取的模糊规则库及解模糊方法可以映射到FIPN中,从而将一个连续系统(模糊)离散化;由于经典Petri网处理离散事件系统的优异特性,使得FIPN可以用于该类混杂系统的建模与控制。 (4)基于FIPN,提出了人机混杂系统的自适应任务分配(控制)策略并进行仿真。使用FIPN中的模糊推理部分(由WM方法提取,参数经ABC算法优化)对人机混杂系统中人类操作员的任务表现(即该系统的输出)进行预测,并设计了相应的动态任务分配策略作为上层监督器,调整人类操作员的任务负荷(即该系统的离散控制量)。模型精度指标表明该模型能很好的逼近人机混杂系统;仿真结果显示,在该人机混杂系统中,该自适应任务分配策略能够使人类操作员高风险状态的出现次数大大降低,同时任务表现得到一定提升。