随机分布系统两步建模及自适应、自学习控制方法研究

项目研究了复杂非高斯、非线性随机分布系统建模和控制的综合问题。利用输出统计信息集合以及随机分布泛函设计反馈控制输入和优化算法完成对概率密度函数的形状控制，是一类从实际工程中产生的新颖的控制科学问题，称之为随机分布控制问题，这本质上也是一类新型的动态黑箱/灰箱模型辩识控制问题。理论研究上长期缺乏控制器设计所必要的、有效的模型辩识方法，系统也严重缺乏同时具有自适应、自学习调节能力以及鲁棒性能的控制算法，难以工程实现。需要寻求新的建模方法和控制理论来揭示此类新型随机控制问题的若干核心特征。项目拟提出的动静两步智能建模方法、参数在线实时自适应自学习迭代优化算法以及工程上实用的多目标鲁棒自适应自学习结构控制方法能够有效解决上述一系列理论瓶颈问题。进一步拟将所提出的理论方法应用到造纸系统和火焰燃烧的实例过程中，完成理论算法的工程检验。

本课题重点研究了复杂非高斯随机分布系统建模控制问题、随机马尔可夫跳变系统优化控制以及基于多种智能模型的自适应、自学习控制算法。主要研究内容包括：(1) 针对复杂非高斯随机分布系统，基于神经网络模型和T-S模糊模型，研究两步智能建模新方法，解决了随机分布过程中存在的理论建模难题。设计结构化控制输入，使得包括稳定性、鲁棒性、跟踪性能以及状态约束等多目标控制要求得以实现。引入迭代学习算法调节神经网络参数，提出新的模型自由迭代学习控制算法以及鲁棒跟踪控制方案，解决了非高斯随机分布控制中存在的参数调节难题。(2) 针对复杂非高斯、非线性随机过程，充分利用期望、方差、高阶矩和信息熵等多种统计信息量去描述概率分布函数以及随机变量的不确定度，探索新的基于数据驱动理论的统计跟踪控制研究框架。进一步讨论带有死区模型的统计信息集合鲁棒跟踪控制问题，完成了对统计信息分布模型可控性、稳定性、鲁棒性以及跟踪收敛性的研究。(3) 针对具有时变时滞以及未知非线性项的随机马尔可夫跳变系统，设计无记忆状态反馈耗散控制器，研究系统在多种不确定性存在条件下的鲁棒随机稳定性以及严格耗散性能。进一步结合PI控制策略以及线性矩阵不等式凸优化算法，提出了具有随机稳定性能、跟踪性能以及L1鲁棒性能的多目标控制器设计新方案。(4) 分别针对严格反馈非线性系统、纯反馈非线性系统以及非线性时变时滞系统，基于变结构控制技术、动态面技术和后推设计方法，研究基于神经网络/模糊模型的参数自适应控制方案，有效地减少了自适应参数的调节个数，证明了闭环控制系统的所有信号半全局一致终结有界以及跟踪误差收敛到零的小区域内。研究结果已在国内外学术期刊及会议上发表论文35篇，分别有9篇、29篇论文被SCI、EI收录，已培养5名硕士研究生。本项目的研究具有重要的理论意义和实用价值。