基于时间序列的非线性系统优化迭代学习控制策略和应用边值问题研究

The subject of the use of optimization theory and time series study the establishment of rapid convergence of iterative learning control algorithm, in order to improve the learning convergence speed and tracking accuracy.The Clone Selection and optimal iterative learning algorithm using real number coding and limit variation propagation radius method, improved clonal selection algorithm to search performance; study of compressed sensing data preprocessing methods, from less data to extract as much information as possible, to reduce the data quantity of operation, improve the efficiency of learning; based on L2 space, using time series theory was established based on the time series of the iterative learning algorithm, by constructing a data time series, constructs the corresponding algorithm model; for the controlled system model is not known with certainty, time-varying, nonlinear problem, launches the application boundary value research. At the same time to the construction of the new algorithm convergence and validity of proof, show that the new algorithm in the convergence speed and learning efficiency, tracking precision. The research will lay the theoretical foundationfor the iterative learning control algorithm , and provide a scientific basis for large time delay, uncertain nonlinear industrial process control problem.

本课题采用优化理论和时间序列研究建立快速收敛迭代学习控制算法，以便提高学习收敛速度和控制跟踪精度。内容包括：对克隆选择优化迭代学习算法采用实数编码和限制变异扩展半径方法，提高克隆选择算法的搜索性能；研究压缩感知的数据预处理方法，从较少的数据中提取尽量多的信息，减少数据的运算量,提高学习效率；基于L2空间，采用时间序列的理论建立基于时间序列的迭代学习算法，通过构建数据时间序列，构建对应的迭代算法模型；针对被控系统模型不确知、时变、非线性等问题，展开应用边值的研究。同时对构建的新算法进行收敛性和有效性论证，使得新算法在学习效率、收敛速度和跟踪精度上大大提高。通过本课题的研究为优化迭代学习控制的快速算法奠定理论基础，为大时滞、非线性不确定工业过程跟踪问题的控制提供科学手段。

本课题采用优化理论和时间序列研究建立快速收敛迭代学习控制算法，以便提高学习收敛速度和控制跟踪精度。内容包括：对克隆选择优化迭代学习算法采用实数编码和限制变异扩展半径方法，提高克隆选择算法的搜索性能；研究压缩感知的数据预处理方法，从较少的数据中提取尽量多的信息，减少数据的运算量,提高学习效率；基于L2 空间，采用时间序列的理论建立基于时间序列的迭代学习算法，通过构建数据时间序列，构建对应的迭代算法模型；针对被控系统模型不确知、时变、非线性等问题，展开应用边值的研究。同时对构建的新算法进行收敛性和有效性论证，使得新算法在学习效率、收敛速度和跟踪精度上大大提高。本课题对迭代学习控制的边值问题进行研究，该算法在传统型迭代学习控制算法的基础上，应用上述思路对迭代学习算法进行改进，算法克服了系统输出信号跟踪期望输出依赖于期望初始状态和期望输出的缺陷，解决了迭代学习控制中的每次迭代初始状态不确定问题。用每次迭代运算的输入信号作用在实际被控对象上的实际输出与期望输出的偏差来修正下一次迭代运算的输入信号。且该算法的收敛条件比以范数形式给出的算法收敛条件放宽了理论分析与仿真研究，本文将经过边值优化的迭代学习控制与传统的迭代学习控制进行仿真对比分析，验证了控制系统中该算法对期望轨迹的精确跟踪，且提高了收敛速度。利用智能算法法对迭代学习控制算法进行优化，用来保证控制系统对迭代学习控制系统实现精确的跟踪，然后将基于遗传算法的型迭代学习控制进行了边值问题研究，通过仿真验证了该方法的可行性，并与传统的型迭代学习控制算法和仅进行边值优化的型迭代学习控制算法进行比较，结果表明基于遗传算法的型迭代学习控制的边值优化算法在跟踪精度和收敛速度方面更胜一筹。 通过本课题的研究为优化迭代学习控制的快速算法奠定理论基础，为大时滞、非线性不确定工业过程跟踪问题的控制提供科学手段。