基于AAPSO算法和RBF神經(jīng)網(wǎng)絡預測控制方法的研究.pdf

1、工業(yè)生產(chǎn)中的系統(tǒng)通常具有強非線性、時變性、時滯性和不確定性等特征，傳統(tǒng)PID控制方法和現(xiàn)代控制理論都難以達到期望的控制目標，預測控制是為滿足工業(yè)生產(chǎn)優(yōu)化控制的需求而發(fā)展起來的一類優(yōu)化控制方法，具有跟蹤性能強、控制效果好、魯棒性強等優(yōu)點，因而得到了廣泛的應用。其中預測模型的建立是整個預測控制的基礎，滾動優(yōu)化是其最鮮明的特征，但是對于復雜多變的非線性對象，其模型結構和參數(shù)難以辨識，預測模型的建立存在難點，在實施滾動優(yōu)化的過程中，非線性控制量

2、的求解問題也十分復雜。
　　針對上述問題，本文研究了預測控制中的非線性系統(tǒng)的建模方法和控制量優(yōu)化問題，提出一種基于改進粒子群算法和徑向基函數(shù)神經(jīng)網(wǎng)絡的非線性預測控制方法，并將該方法應用于連續(xù)攪拌反應釜控制系統(tǒng)中，取得了良好的控制效果。具體研究內容如下:
　　針對粒子群優(yōu)化算法(PSO)在迭代過程中容易陷入局部極值、搜索性能過分依賴于參數(shù)設置的缺點，首先對粒子群算法主要參數(shù)的選擇和設置方法進行了改進，慣性權重采用線性遞減法，學

3、習因子采用非對稱線性變化法，以調整算法對解空間的全局與局部搜索能力。其次，將遺傳算法和混沌算法融合進PSO算法中，提出了遺傳粒子群算法(GAPSO)和混沌粒子群算法(CPSO)兩種改進的算法。GAPSO算法將遺傳算法中的交叉操作與變異操作融合到粒子群的尋優(yōu)迭代過程中，并采用自適應交叉和自適應變異的方式，增強種群跳出局部最優(yōu)解的能力。CPSO算法通過混沌序列初始化粒子位置，使PSO算法從較好的初始值開始尋優(yōu)，同時，在迭代過程中混沌優(yōu)化部分

4、粒子，以改善PSO算法易陷入局部極值、迭代后期收斂速度慢的缺陷，提高PSO算法的收斂性能和尋優(yōu)精度。采用標準測試函數(shù)對所提出的改進粒子群算法進行仿真測試，驗證了GAPSO算法和CPSO算法的尋優(yōu)性能較優(yōu)。
　　針對徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡模型參數(shù)難以設置的問題，提出了一種基于混沌粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡的建模方法，該方法采用混沌粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡基函數(shù)的中心、寬度以及網(wǎng)絡的連接權值、閾值等參數(shù)。通過與RBF神經(jīng)網(wǎng)

5、絡、BP神經(jīng)網(wǎng)絡和支持向量機等建模方法進行仿真比較，驗證了基于CPSO-RBF神經(jīng)網(wǎng)絡方法對非線性系統(tǒng)具有更高的建模精度。
　　針對非線性系統(tǒng)控制問題，提出了一種基于RBF神經(jīng)網(wǎng)絡和GAPSO算法的非線性預測控制方法。該方法利用CPSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡建立多步預測模型并預測系統(tǒng)輸出值，采用RBF神經(jīng)網(wǎng)絡離線和在線訓練相結合的方式，實現(xiàn)了模型參數(shù)的在線校正;利用遺傳粒子群算法作為滾動優(yōu)化策略求解目標函數(shù)，來獲得系統(tǒng)相應的控制

6、量。通過仿真實驗驗證了GAPSO-RBF神經(jīng)網(wǎng)絡非線性預測控制方法具有較好的綜合控制性能。
　　最后，把基于GAPSO-RBF神經(jīng)網(wǎng)絡的非線性預測控制方法應用到連續(xù)攪拌反應釜(CSTR)的反應物濃度控制中，利用CPSO優(yōu)化的RBF神經(jīng)網(wǎng)絡建立預測模型并預測反應物濃度，采用遺傳粒子群算法對目標函數(shù)進行求解，得到未來的控制作用。通過對CSTR控制系統(tǒng)進行仿真實驗，結果表明基于GAPSO-RBF神經(jīng)網(wǎng)絡的預測控制方法可以快速、有效地跟蹤