一、非线性离散动态系统DISOPE方法及其收敛性分析（论文文献综述）
王鼎[1]（2022）在《一类离散动态系统基于事件的迭代神经控制》文中研究指明面向离散时间非线性动态系统,提出一种基于事件的迭代神经控制框架.主要目标是将迭代自适应评判方法与事件驱动机制结合起来,以解决离散时间非线性系统的近似最优调节问题.首先,构造两个迭代序列并建立一种事件触发的值学习策略.其次,详细给出迭代算法的收敛性分析和新型框架的神经网络实现.这里是在基于事件的迭代环境下实施启发式动态规划技术.此外,通过设计适当的阈值以确定事件驱动方法的触发条件.最后,借助两个仿真实例验证本文控制方案的优越性能,尤其是在通信资源的利用方面.本文的工作有助于构建一类事件驱动机制下的智能控制系统.
高亚斌[2]（2020）在《复杂不确定动态系统的状态估计与滑模控制研究》文中进行了进一步梳理实际控制系统往往伴随着系统参数摄动和扰动甚至是故障,而网络化控制系统更加面临着时滞、丢包以及匿名攻击等不确定性因素。由于这些复杂不确定会影响甚至损害动态系统的稳定性和性能,因此,研究复杂不确定动态系统的估计和控制问题,一方面可以提供动态系统的估计进而实现控制,另一方面可以为实际控制系统运行的鲁棒性、容错性、可靠性以及安全性提供技术支撑。本论文针对若干类典型的动态系统,考虑其中常见的不确定性,例如物理单元中过程扰动、传感器和执行器扰动、参数摄动,以及网络单元中的时滞、丢包、攻击、量化、非周期性事件等等,主要采用滑模控制方法,以自适应技术、滑模观测器、H∞技术等方法为辅助,研究若干具有复杂不确定性的动态系统的估计与滑模控制方法,提出了解决不确定动态系统的稳定性与性能分析、状态和故障估计、容错控制、事件触发控制等一系列问题的新方法。本论文的具体研究内容和方法以及相应的理论创新点分述如下:1.第二章考虑一类含有参数摄动和输出干扰的不确定非线性系统,针对未知执行器故障偏差,利用扩展观测器技术将系统状态和故障偏差增广为新的状态向量,并构造了一种扩展观测器,该观测器是一种滑模观测器,用于估计原系统状态和故障偏差的同时来补偿复杂不确定性。通过构建估计误差系统,结合状态估计系统,分别设计了线性滑模面和积分型滑模面,提出了同时满足这两个滑模面可达性的积分型滑模控制律和切换控制律,达到了复杂不确定下原系统的控制目的,并且可实现同时估计原系统状态和执行器故障偏差。2.第三章考虑具有匹配型不确定和外部干扰的delta域离散系统,尤其针对未知执行器故障因子,将未知的故障因子描述为具有已知上、下界的常量;同时,将执行器故障偏差描述为含有某个上、下界,但是均未知常量。利用自适应技术设计了用于估计故障因子以及未知上、下界的自适应律。通过选取线性滑模面,基于等效控制法设计了导出了滑模面参数求解依据,进一步提出了一种基于线性滑模面的自适应滑模控制律,最终实现对该类不确定系统的主动容错控制。3.第四章关于一类典型的信息物理系统（cyber-physical systems,CPSs）的安全状态估计问题,考虑其中的过程干扰和测量噪声,重点分析信息物理系统中的完整性攻击（虚假数据注入）,构建了delta算子框架下的离散时间信息物理系统;分别针对传感器孤立攻击以及传感器和执行器两者的联合攻击,设计了基于矩阵枚举的delta域估计器,用于含有完整性攻击的线性信息物理系统的安全状态估计。考虑到实际信息物理系统的网络通信约束,提出了一种基于delta算子和状态观测器的自触发控制器,不仅可以实现与时间驱动控制器相当的控制效果和增强估计性能,而且可以节约一定的通信资源,提高网络资源的利用率。在稳定性分析方面,结合矩阵等式约束,利用delta域的圆域稳定性判据和耗散性理论建立了估计系统稳定性的充分条件,用于估计器和控制器的参数的求解。此外,本章还提供了针对执行器孤立攻击情形下信息物理系统的安全估计与自触发控制的简化结果。4.第五章考虑一类含有非线性耦合随机过程的网络化系统,针对一些量化过程中出现的不确定性,将系统输出的一类非完整量化过程描述为一种量化信号随机丢包的过程,由于量化的非连续性,通过构造状态观测器观测非完整量化值,提出了一种基于Luenberger观测器的滑模控制与状态估计方法。在稳定性分析上,利用Lyapunov稳定性理论,分析了估计系统和观测器系统的稳定性,并建立了系统输出满足H∞性能的判据,并据此提供了一组用于确定观测器和滑模面参数的便于求解的矩阵不等式。因而,所设计的观测器可实现对系统状态的估计,同时所设计的滑模控制器可以实现将估计状态连同系统状态轨迹驱使到原点的目的,用于解决非完整对数量化情形下随机系统的估计与控制问题。5.第六章考虑含有参数摄动、外部扰动和非线性耦合随机过程的单/多回路网络化系统,针对传感器单元至控制器单元之间的非周期性事件,首先对该类单回路网络化控制系统提出了一种基于状态观测器的事件触发模控制方法,保证了非周期信号下理想滑模的实现。在分析整个估计系统的稳定性时,采用‘‘时滞’’思想将事件驱动系统建模为一种含有状态时滞的随机系统,根据第五章的系统稳定性分析方法,利用Lyapunov-Krasovskii泛函法得到了估计系统和原系统的稳定性的充分条件。此外,本章将所提的理论方法拓展应用到多回路网络化控制系统的估计与控制,考虑传感器单元到控制器单元的共享网络通信链路,进一步利用‘‘时滞’’思想将多路访问冲突描述为一种“排队时滞’’,由此构造了一种含有状态时滞的多回路网络化随机系统,其中采用了载波侦听多路访问协议作为处理多路访问冲突。借鉴单回路网络化系统的分析方法,导出了相应的多回路网络化随机系统的稳定性判据,并设计了相应的积分型滑模控制律和状态观测器。由此提出了一种基于载波侦听多路访问协议的多回路事件触发滑模控制方法。
程晓燕[3]（2020）在《几类非严格重复系统迭代学习控制策略研究》文中认为迭代学习控制（Iterative Learning Control,ILC）是一种模拟人类“自我学习”和“自我改进”能力的智能控制算法,对于具有可重复动态特性的被控对象,通过“学习”实际运行情况与设定的期望值之间的差值,调整下次运行的控制决策,使逐渐逼近期望值。ILC基于数据驱动,原理容易理解,不需要过多的先验知识,对于含有高度不确定复杂动态系统的控制问题,具有独特优势。传统ILC适用的系统在每次运行时各项动态性能必须严格一致,这是保证系统实现特定控制性能的前提条件。但在实际控制过程中,被控系统易受各种未知因素的影响,动态性能发生变化,直接影响控制效果。本文针对几类不同情况的非严格重复被控系统,结合相关算法对迭代学习控制进行改进,提出新的控制策略,有效提升系统控制性能。本文主要研究内容如下:首先,针对含有不确定参数且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于二次误差的最优迭代学习控制算法。该算法是通过计算期望误差与实际误差的差值（即二次误差）的方式对控制项进行修正（E2 ILC）,使跟踪控制可以不受初始值固定等条件的限制;采用迭代学习算法识别系统不确定部分的未知参数,实现了迭代域上的优化;同时采用基于改进Sontag公式的逆最优控制,在时间域上提高控制器的收敛速度和稳定裕度。仿真结果表明,提出的最优ILC算法使系统在时间域和迭代域上都具有较好的稳定性和收敛性,同时具有较快的跟踪速度。其次,针对含有控制时滞且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于平行误差的快速迭代学习控制算法。该算法采用可变参数α滤波器,逐步降低初始误差带来的负面影响,不要求初始值固定;与常量滤波器相比,提升了对时变系统的跟踪能力,能够同时满足收敛速度快和稳态误差小的要求;利用本次迭代运行误差与上次迭代运行误差的差值（即平行误差）修正控制项,有效避免系统使用高阶微分运算引起的震荡不稳定。仿真结果表明,提出的算法对于具有时滞和初始迭代误差的机器臂控制系统具有较好的跟踪性能,在参数发生变化的情况下,系统仍能保持较好的鲁棒性和实时性。最后,针对具有双向网络传输误差的一类远程非严格重复非线性离散系统,提出了分布式双闭环网络迭代学习控制算法。设计本地和远程双控制器,当数据通过网络传输产生传输误差时,采用迭代域意义上的闭环控制,利用存储的历史数据进行前馈补偿,降低系统误差;同时在时间域上增加了反馈,闭环控制提高了系统的稳定性和学习速度,系统的鲁棒性也大大增强。仿真结果表明,即使多变量输出或输入向量中的每个组件都存在不同的数据传输误差时,算法仍然具有较好的控制效果。
杨瑞[4]（2020）在《精密永磁直线同步电机系统扰动抑制方法研究》文中指出为满足高端制造装备对直线电机系统提出的高速、高加速度和高精度等严苛指标需求,直线电机系统必须具备快速、精密和平稳的推力输出能力。高动态响应和高稳态精度的电流调控是推力输出品质的基本保障,而快速准确的推力波动抑制是实现平稳推力输出的关键所在,这就对控制系统的设计提出了苛刻要求。然而,高带宽的反馈控制对系统参数变化和各种复杂扰动的抑制性能有限,因此必须同时构建强扰动抑制策略。本文针对永磁直线同步电机（PMLSM）系统扰动抑制问题,以实现高品质推力输出为目标,分别从电气和机械两个子系统的角度出发展开扰动抑制方法研究。系统建模和模型参数辨识是后续控制器设计的基础,本文首先建立了考虑扰动时PMLSM电气和机械子系统的数学模型,并分别对其扰动特征进行了分析;研究了机械子系统动力学模型参数辨识方法并进行了参数辨识实验;在位置控制模式下,对推力波动进行了估计和特征分析;研究了两个子系统扰动的共性特征,并对扰动及其各阶导数进行扩张状态建模,建立了整个电机系统的扩张状态模型。电流调控品质直接决定了推力输出品质和外环稳定性及其可实现的性能,其设计非常关键。无差拍预测电流控制（DPCC）动态响应快,但其参数鲁棒性较差。为此,本文在对电气子系统扰动及其导数扩张状态建模下,分别研究了卡尔曼滤波器（KF）和考虑电流采样噪音下通用比例积分观测器（GPIO）的设计方法,以实现对扰动和下一时刻电流的估计,并利用估计值对传统的DPCC进行改进;分析了KF和GPIO性能与其参数的关系,并给出了简单易实施的参数整定策略。进一步,设计了参数时变实验,在电流闭环下对上述算法的有效性进行了实验验证并对其性能进行了对比分析,结果表明提出的算法有效提高了DPCC参数鲁棒性。直线电机定位力和线缆力等构成的推力波动直接影响了推力输出平稳性,进而降低了位置控制性能。基于观测器的推力波动估计和补偿方法轨迹适应性强,但对快速时变扰动估计性能有限,因此本文对此展开了深入研究。针对扩张状态建模下KF参数繁多且难整定的不足,研究了增量式建模下KF设计方法;为进一步降低参数整定和算法实现难度,研究了考虑位置测量噪音下的GPIO设计方法,以实现对机械子系统扰动的准确估计;同样分析了KF和GPIO性能与其参数的关系,并给出了简单易实施的参数整定策略。将上述方法下的扰动估计值前馈,设计了三自由度的位置控制系统,在不同速度下对上述算法的有效性进行了实验验证并进行了性能对比分析,结果表明所提观测器方法可有效提高轨迹跟踪精度。虽然上述基于观测器的方法轨迹适应性强,但却难以实现高速下的高精度扰动估计和补偿。针对PMLSM重复运动这一类特殊场合下的高精度位置控制问题,本文研究了一类分数阶迭代学习控制（ILC）的应用及参数频域整定问题,以期从提高控制性能的角度出发实现对推力波动的间接抑制。首先,给出了P+纯相位超前型ILC的参数频域整定方法,并进一步分析了比例增益的设计方法;分析了分数阶Dα型和PDα型ILC的基本原理和不足,分别研究了分数阶Dα和PDα+纯相位超前型ILC并给出了其参数频域整定方法;针对以上ILC算法的不足和参数难整定的问题,研究了一种分数阶相位超前补偿型ILC并给出了其参数频域整定方法,该ILC算法具有相位补偿灵活性高且分数阶算子有理化实现精度高的优势;最后在不同轨迹速度下对所提方法及其参数整定的有效性进行了实验验证,结果表明所提出的ILC算法可有效提高高速下的轨迹跟踪精度。本文所提扰动抑制方法可分别实现高动态响应、高稳态精度且强参数鲁棒性的电流内环设计和变轨迹、重复轨迹下的高性能推力波动抑制以及高精度运动控制,研究成果对高性能需求直线电机系统设计意义重大。
任俊英[5]（2019）在《基于ODE的稀疏信号重建算法研究》文中进行了进一步梳理网络时代时时刻刻都在产生大量的数据/信号,人们经常需要进行采样压缩以实现对这些信号的存储和传输。随之而来,从压缩后的信号恢复出原始信号则是一件极具挑战性的事,这在实际应用中也起着关键作用。因而对具有稀疏先验的信号,稀疏重建技术一直属于信号处理领域的研究热点之一。传统的稀疏重建算法大多需要进行很多次迭代运算,对硬件的计算能力和存储能力要求较高,而采用基于常微分方程（ODE）的动态系统可以更加快速有效。现有的稀疏重建动态系统,例如指数收敛动态系统以及有限时间收敛性动态系统,仅仅求解出了稀疏信号,并没有从控制理论出发,进一步提升重建系统的收敛性能。基于此,本文对稀疏重建动态系统的ODE进行了修正,从而提升了系统的收敛速度。另外,因为采用动态系统解决稀疏重建问题具有显着优势,所以本文将这种优势借鉴到传统的离散迭代算法中,并通过ODE的数值计算方法欧拉法提出了几种稀疏重建离散算法。具体工作如下:提出一种固定时间收敛性质的稀疏重建动态系统。相对于有限时间收敛性动态系统,该系统通过对ODE增加一项额外控制量,即采用双幂次型ODE,从而提升了远离平衡点时系统状态的收敛速度,使收敛时间大大缩短并且摆脱了对初始条件的依赖。提出一种具有切换模式的快速固定时间收敛性动态系统。相对于固定时间收敛性动态系统,新系统不仅极大提高了收敛速度,并且同样具有固定时间收敛性。快速固定时间收敛性动态系统通过引入一个指标函数来衡量当前系统状态的所有节点与所设定阈值间的距离,然后从待选ODE控制项中选择下一时刻的ODE,从而简化了每个节点的ODE控制项,同时也增强了系统的灵活性。提出了六种稀疏重建离散迭代算法。本文采用显式欧拉以及半隐式欧拉法分别对指数收敛系统、有限时间收敛性动态系统以及本文提出的快速固定时间收敛性动态系统做了数值离散化,相较于传统的经典离散算法,其中三种算法显着提升了稀疏重建的收敛速度。
张哲[6]（2019）在《无人机航迹规划问题的非凸优化算法研究》文中认为近年来,无人机在民用、商用和军用领域都有着广泛的应用。由于无人机的特性,其更适用于重复性强,危险性高,对人可能有危害的工作。正是由于这样的特性,越来越多的学者对无人机的研究更加感兴趣。无人机在许多方面有着极高的应用潜力,如航拍、测绘、救援、探测、反潜等。航迹规划,是指在保证飞行器安全的基础上以最小成本规划出一条从起始点到目标点的路径。航迹规划问题在无人机的应用中是不可或缺的,有着至关重要的作用。随着最优控制理论和人工智能算法的发展,无人机的航迹规划问题的研究飞速发展,呈现了许多有效的研究成果,然而相关研究还面临着一些挑战和不足。针对无人机航迹规划问题建立系统的数学模型的研究较少,而经典的模型较为简单在某些场景下不再适用,需要进一步改进。研究者将也将各类热门的启发式算法应用到航迹规划问题中来,表现性能较为良好,但大部分启发式算法的最优性和收敛性无法判定,从而限制其在一些领域中的应用。另一方面,数值算法虽然在某些情况下可以保证问题的最优性,但由于无人机航迹规划模型的复杂性较高,导致问题的计算效率较低所以无法满足实时性要求。因此,如何系统完善地改进经典的无人机航迹规划问题模型,进一步细化目标和特定约束;如何在保证最优性和收敛性的前提下,快速有效地求解无人机航迹规划问题是一个具有重大理论意义及实际应用价值的研究课题。本文针对无人机航迹规划问题,基于最优控制理论对其建模分析,建立系统的研究模型,应用非凸优化方法、混合整数优化理论提出一系列采用凸优化求解无人机航迹规划非凸问题的算法,并且对提出算法的最优性和收敛性进行理论分析和讨论,提升问题求解的稳定性和效率性。本文的主要内容和创新点包括:（1）无人机航迹规划问题的系统建模。基于经典的无人机航迹规划问题模型,对避障约束、撞击避免约束、喷气避障约束等进行了修正和改进,引入了采样间约束,给出了更加合理的目标函数。建立统一完善的无人机航迹规划问题模型,并给出了相应模型的转化,为后续计算求解和理论分析打下了基础。（2）带有非凸控制约束问题的升维凸优化方法。针对带有特定非凸控制约束的无人机航迹规划问题,将其建模为一个混合整数非线性规划问题,且其对应的连续问题为一个非凸优化问题。将升维凸优化的思想引入到广义Benders分解的求解框架中,通过凸优化和混合整数规划对这一非凸问题进行求解,大大提高了求解效率,并对算法的最优性进行了理论分析。（3）带有非凸状态约束问题的序列凸优化方法。针对带有一般性非凸状态和控制约束的无人机航迹规划问题,通过模型转化,将其建模为一个标准的非凸优化问题。利用序列凸优化思想,针对非凸部分进行近似,通过一系列凸优化问题逼近原始非凸优化问题的解,大大提高了计算效率。此外,严格证明了算法的最优性,并且分析了算法的全局收敛性。（4）非凸最优控制问题的惩罚边界序列凸优化方法。针对求解非凸优化问题的序列凸优化方法,对其进行了改进。增加精确惩罚策略,使得算法可以处理初始输入为不可行起始点的情况。在每次凸优化近似时,计算新的投影迭代点,增加与原始可行域的相似性,从而减少迭代次数,提高计算效率。另外,严格证明了改进的方法的全局收敛性,并且分析了新方法的最优性。（5）带有逻辑约束的非凸问题的惩罚序列凸优化方法。针对无人机航迹规划问题中需要引入二元变量描述逻辑关系的情况,将其建模为一个混合整数非线性规划问题。利用惩罚策略,将二元整数变量转化为连续变量,通过序列连续凸优化问题近似原始离散非凸优化问题的解,大大提高了计算效率。同时,证明了提出算法的全局收敛性,并分析了算法输出的最优性。
孙靖涵[7]（2019）在《三类非线性多智能体系统的最优一致控制算法》文中研究指明多智能体系统因其具有高度适应性、良好的鲁棒性以及维护成本低廉等优点成为了科研领域热门的研究课题,并且在现实生活中也较为常见。然而单纯的研究多智能体系统的一致性已经不能满足人们的生活需求,为了节约成本、降低损耗、提高资源的利用率,研究多智能体系统的最优一致控制问题十分紧迫。在本文中研究了三类多智能体系统的最优一致性问题:一、考虑了有限时间非线性多智能体系统与非二次型性能指标问题,设计了分布式DISOPE算法,主要通过模型优化与参数估计方法,用线性系统与二次型性能指标分别对非线性系统与非二次型性能指标进行估计,再结合经典最优控制理论中的极大值原理,可以得到问题最优解的必要条件。随着算法的迭代次数增加,可以得到收敛的控制器为最优控制器,从节点的状态可以跟踪上头节点,跟踪误差几乎收敛到零,并且可以得到有限时间内系统的最优性能指标;二、考虑了无限时间带有完全未知动态的非线性多智能体系统的最优一致控制问题,主要使用了基于ADP方法的PI算法,并设计了两个神经网络分别对系统的未知动态与值函数进行估计,进而通过迭代计算得到最优控制策略。相比于现有文献中对此类问题的处理方法,本章在对值函数进行估计时,放宽了数据采样的要求,不需要对系统状态的导数进行采样,仅对系统状态和控制输入采样计算即可达到期望效果,增强了算法的可实现性;三、考虑了离散时间非线性多智能体系统的最优一致控制问题,使用了基于ADP方法的VI算法,相较于PI算法,VI算法的初始条件更加的宽松,并且使用了局部VI算法,每次迭代计算时只需要对状态空间内的部分数据进行处理,减小了神经网络的计算负担,加快了学习和运算的速度。在本文中所考虑的三个问题的关键之处为非二次型性能指标问题、带有未知动态问题、减小计算负担问题,此三个均是当前研究领域中的热门问题,并且是实际的常见问题,具有重要的实践意义。通过仿真实例可以看出三个方法均有着良好的表现,在使得从节点跟踪上头节点的同时,能够得到最优的控制策略和最优性能指标。
肖戈扬[8]（2018）在《基于自适应动态规划理论的仿射非线性系统最优控制》文中研究说明在过去的近二十年中,随着科学技术的迅速发展和社会生产需求的不断提高,最优控制越来越成为控制领域的一个研究热点。传统的非线性最优控制方法由于受到诸多限制,导致其难以应用普及。近些年来,为了更好地求解非线性最优控制问题,一种结合强化学习机制的自适应动态规划方法（Adaptive Dynamic Programming）被提出,该方法依托强化学习的理念构建了评价-执行框架,利用函数近似结构来逼近动态规划方程中的值函数和控制策略,通过最优性原理,以迭代求解的方式近似获得最优代价函数和最优控制策略。因而,自适应动态规划成功地避免了动态规划求解最优控制时存在的“维数灾”问题。但是,自适应动态规划理论及其算法还没有得到完善,利用该方法研究动态系统最优控制的许多理论与技术问题还有待解决。本文基于自适应动态规划,进一步研究了仿射非线性系统中的若干最优控制问题,扩展了自适应动态规划的理论基础与应用范围。本文主要工作和贡献如下:（1）针对系统动态特性未知的仿射非线性离散系统,提出一种在线自适应最优控制算法。我们利用一个神经网络对未知系统动态特性进行辨识,之后基于自适应动态规划的评价-执行框架,设计一种基于实时数据与历史数据训练的在线自适应最优控制算法。该算法通过其独特的数据利用方式,能够有效的确保自适应控制中的持续性激励条件。由于引入三个神经网络,则将不可避免的产生神经网络近似误差,为进一步证明该方法的有效性,我们通过李雅普诺夫方法证明系统状态、评价网络权值误差和执行网络权值误差三者能够保证一致最终有界,且该界限大小依赖于神经网络近似误差,同时还给出持续性激励条件的下限需求。（2）针对系统动态特性未知仿射非线性连续系统的最优跟踪控制问题,设计一种新型的基于数据的自适应动态规划算法。我们通过对原最优跟踪控制问题的预处理,将原系统增维为由跟踪误差与期望状态构成的增广系统,之后针对该增广系统设计一类带有折扣因子的性能指标函数,并进一步设计数据驱动的策略迭代算法,证明其与传统策略迭代的等价性。我们利用两个神经网络分别作为评价网络和控制网络,在不利用系统动态特性信息的情况下,仅通过系统状态数据来对两个网络进行训练,实现数据驱动的最优跟踪控制器设计。与现有的大部分处理非线性最优跟踪控制问题的文献不同,该方法旨在避免系统辨识过程或利用系统信息,直接利用状态数据来实现最优跟踪控制。（3）针对值迭代方法在求解仿射非线性连续系统最优控制问题时的迭代收敛性进行分析,并进一步探讨神经网络近似误差对算法迭代的影响。通过一个定性描述整体值函数与单步积分效用函数之间关系的收缩性条件,首次从理论上证明值迭代方法在处理仿射非线性连续系统最优控制问题时的收敛性,并进一步分析神经网络误差对值迭代算法的影响,揭示最优解与迭代近似解之间的关系。为了验证所得结论,我们分别对线性算例和非线性算例进行仿真,对不同近似精度得到的结果进行对比。本章的主要目的在于从理论分析的角度将值迭代学习机制引入仿射非线性连续系统最优控制。由于值迭代方法可由任意半正定函数作为初始值函数,故其避免了对初始容许控制的需求,从而避免目前大多方法在处理连续最优控制问题时对初始容许控制假设的依赖。（4）针对带饱和执行器的仿射非线性连续最优控制问题设计一种单网值迭代方法。考虑执行器的饱和约束限制,构造一种非二次型泛函来作为最优控制的性能指标函数,之后基于该函数类型设计一种连续值迭代方法来求解最优控制器,并首次证明值迭代方法在处理带饱和执行器的仿射非线性连续最优控制问题时的收敛性。在算法实现方面,为了减少计算量,我们仅利用一个神经网络作为评价网络来对迭代值函数进行近似。相较于以往处理该问题的多数工作对初始容许控制的需求,该方法受益于值迭代的学习机制,可以通过任意一个半正定函数来进行初始化,从而克服了针对带饱和执行器的仿射非线性连续系统先验求取容许控制的难点。（5）设计一种新型的值迭代算法用于求解仿射非线性连续系统的H∞控制问题。通过引入积分增强学习技术,设计针对仿射非线性连续系统H∞控制问题的连续值迭代方法,并首次通过理论推导证明值迭代学习机制在处理该问题时能够收敛至零和博弈问题的纳什平衡解。我们用三个神经网络作为评价网络、控制网络和干扰网络来分别近似迭代值函数、迭代控制策略和迭代干扰策略,并给出了两个算例来验证所提方法的有效性。相较于处理非线性连续系统H∞控制问题的现存文献,该方法可用任意半正定函数作为初始值函数来初始化算法,从而避免了对初始容许控制的需求,因此初始容许控制的限定条件得以被避免。
刘潇[9]（2016）在《几类分数阶系统迭代学习控制及其收敛性研究》文中进行了进一步梳理分数阶微积分作为数学分析的一个重要分支,不仅拓展了经典整数阶微积分理论,而且能更精确地描述系统动态过程。随着分数阶微积分理论的发展和完善,分数阶控制器逐渐成为控制领域一个新的研究热点。另一方面,在控制系统中,迭代学习控制（Iterative learning control,简称ILC）经常用来解决需要对周期性信号进行高精度跟踪。它作为一种具有严格数学逻辑的智能控制算法,在不依赖动态系统数学模型的情况下,只需较少的先验知识和计算量就能准确地实现算法。因此,自ILC算法提出以来,便受到了诸多学者的关注。分数阶控制器本身提供了更多的调节参数,从而为进一步提高控制精度提供了可能。同样,采用分数阶迭代学习控制算法能使系统获得更优越的跟踪性能。本论文针对几类分数阶系统,研究迭代学习控制设计及其收敛性条件。主要进行的工作有:（1）分数阶线性系统的P型迭代学习控制。通过引入跟踪误差的λ-范数并借助广义Gronwall不等式,将整数阶系统P型开环ILC算法推广应用到分数阶线性系统中,获得开环P型一阶、二阶迭代学习控制作用下系统跟踪误差收敛的充分条件,并借助Qp因子比较两种情形下的收敛速度。最后将该算法应用于风力发电系统中验证其有效性。（2）分数阶非线性时滞系统的P型迭代学习控制。针对一类分数阶非线性时滞系统,将ILC的设计问题转化成对分析离散系统的稳定条件,然后通过引入λ-范数并借助Gronwall-Bellman引理,获得系统在开环P型二阶迭代学习控制作用下的跟踪误差和控制输入收敛的充分条件。最后通过数值仿真验证该算法的有效性。（3）分数阶非线性系统变增益反馈PDα型迭代控制。针对一类具有不确定性或扰动的重复非线性时变系统,采用一种新的变增益反馈PDα型迭代学习控制算法。通过引入λ-范数并借助广义Gronwall不等式,获得系统在干扰有界的情况下跟踪误差的一致有界收敛性。
逄勃[10]（2013）在《优化迭代学习控制算法及其收敛性分析》文中研究表明迭代学习控制从最初解决机器手运动的控制问题发展为解决很多具有周期特性的工程对象的控制问题,其利用实际输出和期望输出的偏差对当前的控制输入信号进行学习修正的思想,越来越得到了控制工程领域的广泛接受和高度重视。由于迭代学习控制方法所具有的不过分依赖模型的特点和实际应用中的良好效果,已经成为了现代智能控制技术中的一种重要控制方法。为解决传统参数优化迭代学习控制算法只适用于正定模型的局限性,本文提出一种高阶参数优化迭代学习控制算法。该算法利用多次迭代误差的信息,建立参数优化目标函数得到最优迭代学习律。在被控对象不满足正定性的条件下,仍保证跟踪误差单调收敛于零。此外,还提出了基于奇异值分解的PID型参数优化迭代学习控制算法,根据范数性能指标建立目标函数,通过对系统模型矩阵的奇异值分解得到学习增益矩阵,使算法应用于模型为非正定的系统时仍然保证闭环跟踪误差单调收敛至零。该算法还将PID型控制器引入到参数优化迭代学习控制算法的设计中,提高了学习速度。针对非线性系统跟踪控制问题,本文将拟Broyden法和参数优化迭代学习控制方法结合,提出一种新的优化迭代学习控制算法,利用拟Broyden法对系统的Jacobian矩阵进行迭代近似计算,并通过目标函数对学习增益进行优化。该算法不仅能够简化传统牛顿法中求逆计算所带来的复杂性,而且具有单调递减的特性和全局收敛性。针对一类特殊采样点的轨迹终端跟踪控制问题,本文提出了一种改进的牛顿法迭代学习控制算法,该算法具有单调收敛的性能和较大的收敛范围。利用一个间歇反应的生成物产量跟踪实例对算法的有效性进行了验证。本文将迭代学习优化控制方案应用到一类具有扰动和初始状态误差等不确定性的非线性离散系统中。从理论上证明了对于无扰动情况,算法能够保证系统跟踪误差以几何速度一致收敛于零,系统控制输入收敛到期望输入轨迹；对于具有扰动和初始状态误差的非线性离散系统,给出了该算法具有BIBO鲁棒稳定性的充分条件。本文还给出了P型迭代学习控制在带有扰动的一般性非线性系统具有鲁棒性的条件。从理论上证明了在初始状态误差和状态、输出扰动有界的情况下,系统输出能够收敛于期望轨迹的邻域内；在各种干扰消除时系统输出能够一致收敛于期望轨迹。
二、非线性离散动态系统DISOPE方法及其收敛性分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、非线性离散动态系统DISOPE方法及其收敛性分析（论文提纲范文）
（2）复杂不确定动态系统的状态估计与滑模控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 复杂不确定动态系统 |
| 1.2.2 不确定性 |
| 1.2.3 滑模控制 |
| 1.3 尚待解决的问题以及有待提升的方法 |
| 1.4 本论文的主要研究内容 |
| 1.4.1 针对执行器故障的系统估计与控制 |
| 1.4.2 针对完整性攻击的系统估计与控制 |
| 1.4.3 针对非周期信号的系统估计与控制 |
| 第2章 执行器故障偏差未知下连续时间非线性动态系统的估计与滑模控制 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.2.1 控制系统与执行器故障建模 |
| 2.2.2 滑模观测器 |
| 2.3 滑模观测器设计 |
| 2.4 积分型滑模控制器设计 |
| 2.4.1 滑模运动稳定性分析 |
| 2.4.2 滑模面可达性分析 |
| 2.5 仿真算例 |
| 2.6 本章小结 |
| 第3章 执行器故障因子未知下离散时间非线性动态系统的自适应滑模控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 自适应滑模控制器设计 |
| 3.3.1 滑模运动稳定性分析 |
| 3.3.2 滑模可达性分析 |
| 3.4 仿真算例 |
| 3.5 本章小结 |
| 第4章 完整性攻击下离散时间线性动态系统的安全状态估计与自触发控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 信息物理系统模型描述 |
| 4.2.2 关于传感器和执行器攻击的描述 |
| 4.2.3 估计器和控制器 |
| 4.3 传感器孤立攻击情形下状态估计 |
| 4.3.1 时间驱动控制器设计 |
| 4.3.2 自触发控制器设计 |
| 4.4 传感器和执行器联合攻击情形下状态估计 |
| 4.5 执行器孤立攻击情形下状态估计 |
| 4.6 仿真验证 |
| 4.6.1 仿真示例1 |
| 4.6.2 仿真示例2 |
| 4.7 本章小结 |
| 第5章 非完整量化下连续时间非线性动态随机系统的估计与滑模控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 系统模型 |
| 5.2.2 非完整量化的建模 |
| 5.2.3 Luenberger观测器 |
| 5.3 控制器设计和稳定性分析 |
| 5.3.1 滑模变量与滑模控制律设计 |
| 5.3.2 可达性与稳定性分析 |
| 5.4 仿真算例 |
| 5.5 本章小结 |
| 第6章 非周期性事件下连续时间非线性动态随机系统的估计与滑模控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.2.1 系统模型 |
| 6.2.2 采样器和事件触发器 |
| 6.2.3 状态观测器 |
| 6.3 单回路网络化系统的事件触发滑模控制 |
| 6.3.1 滑模控制器设计 |
| 6.3.2 闭环系统的稳定性分析 |
| 6.3.3 滑模运动的可达性 |
| 6.3.4 仿真算例 |
| 6.4 多回路网络化系统的事件触发滑模控制 |
| 6.4.1 问题描述 |
| 6.4.2 主要构想 |
| 6.4.3 观测器与滑模控制器设计 |
| 6.4.4 仿真算例 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 仿真示例中部分参数 |
| A.1 第4.6.1节 仿真示例中使用的参数 |
| A.2 第4.6.2节 仿真示例中使用的参数 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（3）几类非严格重复系统迭代学习控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 迭代学习控制的研究现状 |
| 1.3 非严格重复系统的ILC问题 |
| 1.4 本文的主要工作 |
| 1.4.1 本文的研究思路 |
| 1.4.2 本文的研究内容 |
| 第2章 迭代学习控制分析与设计方法 |
| 2.1 引言 |
| 2.2 迭代学习控制算法 |
| 2.2.1 可重复性动力学系统 |
| 2.2.2 二维迭代学习算法构造 |
| 2.2.3 直接型和间接型ILC |
| 2.3 迭代学习律设计方法 |
| 2.4 稳定性和收敛性分析方法 |
| 2.5 收敛快速性分析方法 |
| 2.6 本章小结 |
| 第3章 基于二次误差的最优迭代学习控制 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 系统描述 |
| 3.2.2 基于最优控制的自适应ILC |
| 3.2.3 基于CLF的逆最优控制 |
| 3.2.4 基于Sontag公式的最优控制 |
| 3.3 未知定常参数系统最优迭代学习控制 |
| 3.3.1 控制器设计 |
| 3.3.2 收敛性分析与证明 |
| 3.3.3 仿真研究 |
| 3.4 未知时变参数系统最优迭代学习控制 |
| 3.4.1 控制器设计 |
| 3.4.2 收敛性分析与证明 |
| 3.4.3 仿真研究 |
| 3.5 本章小结 |
| 第4章 基于平行误差的快速迭代学习控制 |
| 4.1 引言 |
| 4.2 基于平行误差的快速ILC |
| 4.2.1 系统描述与控制器设计 |
| 4.2.2 收敛性分析与证明 |
| 4.2.3 滤波器设计 |
| 4.3 算法应用及仿真研究 |
| 4.3.1 系统模型转化 |
| 4.3.2 存在关节转角限位时机械手系统模型 |
| 4.3.3 仿真研究 |
| 4.4 本章小结 |
| 第5章 基于传输误差约束的远程迭代学习控制 |
| 5.1 引言 |
| 5.2 网络环境下的ILC |
| 5.3 问题描述 |
| 5.3.1 系统描述 |
| 5.3.2 含有数据传输误差的网络控制系统 |
| 5.4 开环远程迭代学习算法 |
| 5.4.1 控制器设计 |
| 5.4.2 收敛性分析与证明 |
| 5.4.3 仿真研究 |
| 5.5 双闭环远程迭代学习算法 |
| 5.5.1 控制器设计 |
| 5.5.2 收敛性分析与证明 |
| 5.5.3 仿真研究 |
| 5.5.4 MIMO系统远程双闭环ILC |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（4）精密永磁直线同步电机系统扰动抑制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景 |
| 1.1.3 研究的目的和意义 |
| 1.2 永磁直线同步电机系统扰动抑制方法研究现状 |
| 1.2.1 电机系统扰动分类 |
| 1.2.2 电气子系统扰动抑制研究现状 |
| 1.2.3 机械子系统扰动抑制研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 永磁直线同步电机系统建模及扰动分析 |
| 2.1 引言 |
| 2.2 电气子系统建模及扰动分析 |
| 2.2.1 电气子系统建模 |
| 2.2.2 电气子系统扰动分析 |
| 2.3 机械子系统建模及扰动分析 |
| 2.3.1 机械子系统建模 |
| 2.3.2 机械子系统模型辨识 |
| 2.3.3 推力波动估计和分析 |
| 2.4 电机系统扩张状态建模 |
| 2.5 本章小结 |
| 第3章 考虑扰动动态下基于观测器的无差拍预测电流控制 |
| 3.1 引言 |
| 3.2 传统无差拍预测电流控制及问题分析 |
| 3.2.1 传统无差拍预测电流控制 |
| 3.2.2 问题分析 |
| 3.3 基于卡尔曼滤波器的无差拍预测电流控制 |
| 3.3.1 扩张状态建模下卡尔曼滤波器设计 |
| 3.3.2 基于ESM-KF的DPCC设计 |
| 3.3.3 ESM-KF性能分析及参数整定 |
| 3.3.4 基于ESM-KF的DPCC参数鲁棒性实验结果 |
| 3.4 基于通用比例积分观测器的无差拍预测电流控制 |
| 3.4.1 扩张状态建模下GPIO设计及收敛性分析 |
| 3.4.2 基于ESM-GPIO的DPCC设计 |
| 3.4.3 ESM-GPIO参数整定 |
| 3.4.4 基于ESM-GPIO的 DPCC参数鲁棒性实验结果 |
| 3.5 两种改进的DPCC性能对比 |
| 3.6 本章小结 |
| 第4章 考虑扰动动态下基于观测器的推力波动抑制 |
| 4.1 引言 |
| 4.2 基于卡尔曼滤波器的推力波动抑制 |
| 4.2.1 IESM-KF设计 |
| 4.2.2 IESM-KF参数整定 |
| 4.2.3 基于IESM-KF的推力波动抑制实验结果 |
| 4.3 基于通用比例积分观测器的推力波动抑制 |
| 4.3.1 GPIO推力波动观测器设计及收敛性分析 |
| 4.3.2 ESM-GPIO参数整定 |
| 4.3.3 基于ESM-GPIO的推力波动抑制实验结果 |
| 4.4 两种推力波动观测和抑制方法对比 |
| 4.5 本章小结 |
| 第5章 分数阶迭代学习控制及其参数频域整定 |
| 5.1 引言 |
| 5.2 迭代学习控制 |
| 5.3 PD~α改进型ILC及其参数频域整定 |
| 5.3.1 分数阶PD~α型 ILC |
| 5.3.2 PD~α改进型ILC |
| 5.3.3 参数频域整定方法 |
| 5.4 分数阶相位超前补偿型ILC及参数频域整定 |
| 5.4.1 分数阶相位超前补偿型ILC |
| 5.4.2 参数频域整定方法 |
| 5.5 实验研究 |
| 5.5.1 P+纯相位超前型ILC实验结果 |
| 5.5.2 D~α+纯相位超前型ILC实验结果 |
| 5.5.3 分数阶相位超前补偿型ILC实验结果 |
| 5.5.4 高速下三种ILC算法性能对比 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）基于ODE的稀疏信号重建算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 研究趋势 |
| 1.1.2 研究动机 |
| 1.2 研究现状 |
| 1.2.1 离散迭代稀疏重建方法 |
| 1.2.2 动态系统稀疏重建方法 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 实际意义 |
| 1.4 研究内容 |
| 1.4.1 改进现有的稀疏重建动态系统 |
| 1.4.2 将动态系统反馈到离散迭代稀疏重建 |
| 1.5 章节组织结构 |
| 2 离散迭代到动态系统的稀疏重建理论 |
| 2.1 离散稀疏重建基本理论 |
| 2.1.1 问题描述 |
| 2.1.2 稀疏重建算法 |
| 2.1.3 稀疏信号精确重建条件 |
| 2.1.4 实际应用 |
| 2.2 动态系统稀疏重建基本理论 |
| 2.2.1 稀疏重建动态系统的设计准则及稳定性分析 |
| 2.2.2 稀疏重建动态系统介绍 |
| 2.3 本章小结 |
| 3 固定时间收敛性的稀疏重建动态系统 |
| 3.1 引言 |
| 3.2 固定时间收敛动态系统的提出背景 |
| 3.2.1 从离散化算法到指数级收敛速度的动态系统 |
| 3.2.2 从指数收敛到有限时间收敛 |
| 3.2.3 从有限时间收敛到固定时间收敛 |
| 3.3 固定时间收敛性动态系统ODE |
| 3.3.1 固定时间收敛相关结论 |
| 3.3.2 固定时间收敛性动态系统的ODE |
| 3.4 稳定性分析 |
| 3.4.1 稀疏解的等价性 |
| 3.4.2 固定时间收敛系统的性质分析 |
| 3.4.3 固定时间收敛性证明 |
| 3.5 实验结果与分析 |
| 3.5.1 稀疏信号重建结果 |
| 3.5.2 对于不同参数的收敛速度 |
| 3.5.3 固定时间收敛性证明 |
| 3.5.4 参数α和 β的影响 |
| 3.5.5 在系统辨识中的应用 |
| 3.6 本章小结 |
| 4 快速固定时间收敛性的稀疏重建动态系统 |
| 4.1 引言 |
| 4.2 快速固定时间收敛系统ODE |
| 4.3 稳定性分析 |
| 4.3.1 预备结论 |
| 4.3.2 固定时间收敛性证明 |
| 4.4 实验及其结果 |
| 4.5 本章小结 |
| 5 稀疏重建动态系统ODE的数值离散化 |
| 5.1 引言 |
| 5.2 ODE的数值解法 |
| 5.3 指数收敛动态系统的离散形式 |
| 5.3.1 显式欧拉离散化 |
| 5.3.2 半隐式欧拉离散化 |
| 5.4 有限时间收敛动态系统的离散形式 |
| 5.4.1 显式欧拉离散化 |
| 5.4.2 半隐式欧拉离散化 |
| 5.5 快速固定时间收敛动态系统的离散形式 |
| 5.5.1 显式欧拉离散化 |
| 5.5.2 半隐式欧拉离散化 |
| 5.6 算法小结 |
| 5.7 实验结果与分析 |
| 5.8 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（6）无人机航迹规划问题的非凸优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 航迹规划算法发展现状 |
| 1.2.2 非凸优化方法在航天航空工程中的应用 |
| 1.3 本文的研究内容 |
| 1.4 本文的结构安排 |
| 第二章 非凸优化方法及无人机航迹规划模型 |
| 2.1 非凸性和凸化技巧 |
| 2.1.1 最优控制问题中的非凸性 |
| 2.1.2 凸化技巧 |
| 2.1.3 凸化的有效性 |
| 2.1.4 精确凸松弛 |
| 2.1.5 连续求解过程的收敛性 |
| 2.2 常用转化 |
| 2.2.1 绝对值目标函数 |
| 2.2.2 或约束 |
| 2.2.3 如果-那么约束 |
| 2.3 传统无人机航迹规划模型 |
| 2.3.1 系统方程 |
| 2.3.2 目标函数 |
| 2.3.3 避障约束 |
| 2.3.4 撞击避免约束 |
| 2.3.5 喷气避免约束 |
| 2.3.6 喷气避障约束 |
| 2.3.7 航迹规划模型 |
| 2.4 定义与定理 |
| 2.5 本章小结 |
| 第三章 带有非凸控制约束的航迹规划问题的升维凸优化方法 |
| 3.1 引言 |
| 3.2 模型描述 |
| 3.2.1 单无人机航迹规划模型 |
| 3.2.2 经典模型改进 |
| 3.2.3 松弛模型 |
| 3.3 升维凸优化广义Benders分解算法 |
| 3.3.1 必要模型 |
| 3.3.2 主要算法 |
| 3.4 定理与证明 |
| 3.5 应用仿真 |
| 3.6 本章小结 |
| 第四章 带有非凸状态约束的航迹规划问题的序列凸优化方法 |
| 4.1 引言 |
| 4.2 模型描述 |
| 4.3 序列凸优化 |
| 4.4 主要定理与证明 |
| 4.5 应用仿真 |
| 4.5.1 场景 1 |
| 4.5.2 场景 2 |
| 4.6 本章小结 |
| 第五章 非凸最优控制问题的惩罚边界序列凸优化方法 |
| 5.1 引言 |
| 5.2 模型描述 |
| 5.2.1 问题模型 |
| 5.2.2 约束边界上的新近似点 |
| 5.2.3 精确惩罚模型 |
| 5.3 惩罚边界序列凸优化 |
| 5.3.1 拉格朗日函数 |
| 5.3.2 KKT条件 |
| 5.3.3 主要算法 |
| 5.4 主要定理与证明 |
| 5.5 仿真与实验 |
| 5.5.1 直接线性化方法 |
| 5.5.2 无人机避障航迹规划 |
| 5.5.3 多移动机器人路径规划 |
| 5.6 本章小结 |
| 第六章 带有逻辑约束的非凸航迹规划问题的惩罚序列凸优化方法 |
| 6.1 引言 |
| 6.2 模型描述 |
| 6.2.1 改进的撞击避免约束 |
| 6.2.2 改进的喷气避免约束 |
| 6.3 惩罚序列凸优化算法 |
| 6.3.1 模型变换 |
| 6.3.2 惩罚策略 |
| 6.3.3 序列凸优化 |
| 6.3.4 采样间约束 |
| 6.3.5 主要算法 |
| 6.4 主要定理与证明 |
| 6.5 应用仿真 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 附录A 第二章仿真模型 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
（7）三类非线性多智能体系统的最优一致控制算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 多智能体系统最优一致控制概述 |
| 1.1.1 多智能体系统最优一致控制起源 |
| 1.1.2 多智能体系统最优一致控制研究现状 |
| 1.1.3 多智能体系统最优一致控制面临的困难 |
| 1.2 本文主要研究工作及内容安排 |
| 第二章 预备知识 |
| 2.1 图论知识 |
| 2.2 Pontryagin极大值原理 |
| 2.3 HJB方程 |
| 2.4 PI算法与VI算法 |
| 2.5 本章小结 |
| 第三章 非线性多智能体系统基于DISOPE算法的分布式最优一致控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 主要成果 |
| 3.4 仿真实例 |
| 3.5 本章小结 |
| 第四章 带有完全未知动态的非线性多智能体系统基于PI的最优一致控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 主要成果 |
| 4.4 仿真实例 |
| 4.5 本章小结 |
| 第五章 基于局部值迭代算法的离散时间非线性多智能体系统最优一致控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 主要成果 |
| 5.4 仿真实例 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于自适应动态规划理论的仿射非线性系统最优控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 动态规划 |
| 1.2.1 离散系统的动态规划 |
| 1.2.2 连续系统的动态规划 |
| 1.2.3 动态规划的局限性 |
| 1.3 自适应动态规划基本原理 |
| 1.4 自适应动态规划的结构 |
| 1.4.1 启发式动态规划 |
| 1.4.2 二次启发式规划 |
| 1.5 自适应动态规划算法分类 |
| 1.5.1 策略迭代 |
| 1.5.2 值迭代 |
| 1.6 自适应动态规划算法的发展 |
| 1.7 本文的主要工作 |
| 第二章 动态特性未知的仿射非线性离散系统的在线自适应最优控制 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 非线性离散系统的未知动态特性神经网络辨识 |
| 2.4 基于模型辨识的非线性离散系统在线自适应最优控制 |
| 2.4.1 评价网络和历史数据记录 |
| 2.4.2 执行网络设计方法 |
| 2.4.3 自适应最优控制器的稳定性分析 |
| 2.5 仿真算例 |
| 2.6 本章小结 |
| 第三章 基于数据的未知仿射非线性连续系统的最优跟踪控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 系统预处理与数据驱动算法 |
| 3.3.1 原系统的增广预处理 |
| 3.3.2 数据驱动的策略迭代算法 |
| 3.4 基于数据的策略迭代算法的执行-评价神经网络应用 |
| 3.4.1 跟踪误差的有界性分析 |
| 3.4.2 折扣因子λ的上界分析 |
| 3.4.3 数据驱动的策略迭代算法实现 |
| 3.5 仿真算例 |
| 3.5.1 线性系统的最优跟踪控制仿真 |
| 3.5.2 非线性系统的最优跟踪控制仿真 |
| 3.6 本章小结 |
| 第四章 针对仿射非线性连续系统最优控制的值迭代方法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 连续值迭代的收敛性分析 |
| 4.4 连续值迭代中近似逼近器的误差界分析 |
| 4.5 神经网络迭代近似 |
| 4.6 不同近似精度下的仿真结果对比 |
| 4.6.1 针对线性系统的仿真对比 |
| 4.6.2 针对非线性系统的仿真对比 |
| 4.7 本章小结 |
| 第五章带饱和执行器的非线性连续最优控制问题的单网值迭代方法 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 带饱和执行器的连续最优控制值迭代方法及其收敛性分析 |
| 5.4 单网值迭代的算法实现 |
| 5.5 仿真算例 |
| 5.5.1 线性系统仿真算例 |
| 5.5.2 非线性系统仿真算例 |
| 5.6 本章小结 |
| 第六章 基于值迭代的仿射非线性连续系统的H_∞控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 非线性连续系统H_∞控制的值迭代方法及其收敛性分析 |
| 6.4 非线性连续系统H_∞控制的值迭代算法实现 |
| 6.5 仿真算例 |
| 6.5.1 线性系统的H_∞控制仿真 |
| 6.5.2 非线性系统的H_∞控制仿真 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
| 个人简历 |
（9）几类分数阶系统迭代学习控制及其收敛性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本论文研究主要内容及章节简介 |
| 第2章 分数阶微积分基本理论 |
| 2.1 特殊函数 |
| 2.1.1 Gamma函数 |
| 2.1.2 Bata函数 |
| 2.1.3 Mittag-Leffer函数 |
| 2.2 分数阶微积分定义及性质 |
| 2.2.1 Grunwald-Letnikov定义 |
| 2.2.2 Riemann-Liouville定义 |
| 2.2.3 Caputo定义 |
| 2.2.4 分数阶微积分常用性质 |
| 2.3 分数阶微分算子的离散方法 |
| 2.3.1 直接离散化方法 |
| 2.3.2 间接离散化方法 |
| 2.4 分数阶微分初值问题的求解 |
| 2.5 小结 |
| 第3章 分数阶线性系统P型迭代学习控制 |
| 3.1 问题描述 |
| 3.2 分数阶线性系统一阶P型迭代学习控制收敛条件 |
| 3.3 分数阶线性系统二阶P型迭代学习控制收敛条件 |
| 3.4 迭代学习控制收敛速度的比较 |
| 3.5 二阶ILC在风力发电系统中的应用 |
| 3.5.1 风力机及传动链数学模型 |
| 3.5.2 PMSG风力发电系统模型 |
| 3.5.3 仿真结果及分析 |
| 3.6 小结 |
| 第4章 分数阶非线性时滞系统二阶P型迭代学习控制 |
| 4.1 问题描述 |
| 4.2 分数阶非线性时滞系统P型二阶迭代学习控制收敛条件 |
| 4.3 仿真结果及分析 |
| 4.4 小结 |
| 第5章 分数阶非线性系统变增益反馈PDα型迭代学习控制 |
| 5.1 问题描述 |
| 5.2 分数阶非线性系统变增益反馈PDα型迭代学习控制收敛条件 |
| 5.3 仿真结果及分析 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参与项目及研究成果 |
（10）优化迭代学习控制算法及其收敛性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 迭代学习控制的提出和研究意义 |
| 1.2 迭代学习控制问题描述 |
| 1.2.1 迭代学习控制过程原理 |
| 1.2.2 迭代学习控制流程 |
| 1.3 迭代学习控制研究现状 |
| 1.3.1 PID型迭代学习控制学习律及其高阶算法 |
| 1.3.2 迭代学习控制的初值问题 |
| 1.3.3 迭代学习控制的2D分析法 |
| 1.3.4 优化迭代学习控制 |
| 1.3.5 非线性系统的迭代学习控制算法 |
| 1.3.6 迭代学习控制的鲁棒性问题 |
| 1.4 本文主要研究内容 |
| 2 高阶参数优化迭代学习控制算法 |
| 2.1 引言 |
| 2.2 时变参数优化迭代学习控制算法 |
| 2.3 高阶算法 |
| 2.4 仿真实例 |
| 2.5 本章小结 |
| 3 基于奇异值分解的PID型参数优化迭代学习控制算法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 算法介绍 |
| 3.4 奇异值分解法 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 4 基于拟Broyden法的非线性系统参数优化迭代学习控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于牛顿法的迭代学习控制简介 |
| 4.4 基于拟Broyden法的参数优化迭代学习控制 |
| 4.5 算法实施 |
| 4.6 仿真分析 |
| 4.7 本章小结 |
| 5 基于改进牛顿法的非线性间歇反应过程终端迭代学习控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 改进的牛顿迭代学习控制算法介绍 |
| 5.4 仿真实例 |
| 5.5 本章小结 |
| 6 基于范数优化的一类不确定非线性系统鲁棒迭代学习控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 无扰动情况下的收敛性分析 |
| 6.4 范数优化的遗传算法实现 |
| 6.4.1 遗传算法简介 |
| 6.4.2 基于遗传算法的范数优化迭代学习控制算法 |
| 6.5 范数优化算法在扰动存在情况下的鲁棒性分析 |
| 6.6 仿真实例 |
| 6.7 本章小结 |
| 7 一种非线性离散系统鲁棒迭代学习控制方法 |
| 7.1 引言 |
| 7.2 离散非线性系统的鲁棒迭代学习控制算法 |
| 7.3 仿真分析 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点摘要 |
| 8.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
四、非线性离散动态系统DISOPE方法及其收敛性分析（论文参考文献）
- [1]一类离散动态系统基于事件的迭代神经控制[J]. 王鼎. 工程科学学报, 2022
- [2]复杂不确定动态系统的状态估计与滑模控制研究[D]. 高亚斌. 哈尔滨工业大学, 2020(02)
- [3]几类非严格重复系统迭代学习控制策略研究[D]. 程晓燕. 燕山大学, 2020(06)
- [4]精密永磁直线同步电机系统扰动抑制方法研究[D]. 杨瑞. 哈尔滨工业大学, 2020(01)
- [5]基于ODE的稀疏信号重建算法研究[D]. 任俊英. 武汉大学, 2019(01)
- [6]无人机航迹规划问题的非凸优化算法研究[D]. 张哲. 上海交通大学, 2019(06)
- [7]三类非线性多智能体系统的最优一致控制算法[D]. 孙靖涵. 西安电子科技大学, 2019(04)
- [8]基于自适应动态规划理论的仿射非线性系统最优控制[D]. 肖戈扬. 东北大学, 2018(01)
- [9]几类分数阶系统迭代学习控制及其收敛性研究[D]. 刘潇. 湘潭大学, 2016(03)
- [10]优化迭代学习控制算法及其收敛性分析[D]. 逄勃. 大连理工大学, 2013(05)