基于SVM和PSO的非线性模型预测控制及应用研究

【摘要】： 本项研究的主要目的是寻找一种应用模型预测控制用于解决非线性系统的方法。同时,要求这种方法具有很高的运算速度以便系统能够实现实时在线优化;要求算法具有较高的鲁棒性,能够应对模型参数的变化。除了给出了实时在线优化算法的基本框架外,在优化和闭环控制性能章节中还详细的对比了非线性和线性模型的应用区别。 新的非线性模型预测控制算法中采用支持向量机模型(Support Vector Machine ( SVM )),是因为和神经网络相比,支持向量机具有更强的泛化能力;同时,由于支持向量机在训练过程中不依赖输入向量的维数,因此能够很好的避开维数灾难的问题。 粒子群优化(Particle Swarm Optimization (PSO))算法在方法论上属于两类算法:人工生命和进化计算。新的非线性模型预测控制算法中采用PSO算法来实时在线优化算法。因为PSO具有很简单的概念,并且实现起来也很简单,只需要一些简单的运算使得该算法具有运算速度快、内存占用量非常小以及操作参数少的优点。最重要的是,PSO算法具有很强的寻优能力和快速的收敛速度,能在较短的时间内找到函数的全局最优点,使实时在线优化成为可能。同时由于其处理约束和鲁棒性能是选择PSO的另外一个原因。 基于SVM和PSO的非线性模型预测控制算法的闭环控制性能通过两个仿真例子得到证明,说明了该算法具有很好的实时性能,因此是处理非线性对象的一种有效的方法。