計算智能在控制、優(yōu)化和決策中的應用研究.pdf

1、該論文的研究目標是探索計算智能在優(yōu)化領域的應用,不僅研究傳統(tǒng)的單層優(yōu)化命題,而且研究以minimax優(yōu)化為代表的多層優(yōu)化命題;不僅考慮算法的有效性,而且兼顧算法的穩(wěn)定性.針對一般的帶有等式約束和不等式約束的非線性優(yōu)化問題,提出了神經(jīng)動力學求解模型,對多模的非線性優(yōu)化問題改進了粒子群算法以獲得更好近似全局最優(yōu)解.隨后,同時利用神經(jīng)網(wǎng)絡和進化計算,對minimax雙層優(yōu)化命題進行算法設計,得到了兩種不同特點的算法.在能夠求解minimax問

2、題的基礎上,探索了相關的應用領域.比如,在不確定系統(tǒng)中,通過minimax算法進行后悔度計算,并把區(qū)間數(shù)優(yōu)化問題轉化為等價的多目標優(yōu)化問題以求解.另一個應用實例是魯棒PID的設計,通過minimax計算整定控制器參數(shù),使最惡劣工況下系統(tǒng)性仍然能夠保持在一個令人滿意的水平上.該文的主要研究工作與貢獻如下:1.對計算智能在優(yōu)化方面的應用的歷史和現(xiàn)狀進行了詳盡的分析和綜述,并提出將優(yōu)化計算拓展到不確定系統(tǒng)中的思想.特別詳述了參數(shù)不確定系統(tǒng)的一

3、個重要分支,即用區(qū)間數(shù)描述的參數(shù)不確定系統(tǒng)的優(yōu)化命題的研究現(xiàn)狀.2.神經(jīng)網(wǎng)絡動力學原理用于解決單目標的優(yōu)化命題.帶有等式約束和不等式約束的一般非線性優(yōu)化問題,是單層優(yōu)化的難點.使用增廣Lagrange乘子法求解時,雖然可以避免罰參數(shù)無限增大的弊病,但同時也提出了一個難以求解的子命題.該文中運用Lyapunov函數(shù)和Lassalle不變性原理,采用微分動力學系統(tǒng)為增廣Lagrange乘子法的子命題設計了一個神經(jīng)網(wǎng)絡模型,從而使得目標函數(shù)和

4、約束條件一階可微的一般非線性優(yōu)化問題能夠順利求解.3.單層優(yōu)化的一個難題是全局最優(yōu)解或者近似全局最優(yōu)解的獲得.進化算法能夠很好的避免陷入局部最優(yōu)解從而備受青睞,粒子群算法就是近年來新發(fā)展起來的一種仿生算法.但是進化算法中的一些參數(shù)設置通常是通過比較實驗獲得的,缺乏理論上的依據(jù).該文分析了粒子群中獨立粒子的運動軌跡,以及整個粒子群系統(tǒng)的穩(wěn)定性,在此基礎之上提出新的參數(shù)設置方法.新方法不僅符合理論上的解釋,而且通過標準測試函數(shù)庫的檢驗表明新

5、算法是有效的.文中涉及的穩(wěn)定性研究在粒子群算法研究中是不多見的.4.不確定系統(tǒng)的建模求解,離不開minimax問題的最終解決.該文為minimax優(yōu)化這個幾乎是嶄新的優(yōu)化命題設計了多種求解算法:首先是神經(jīng)網(wǎng)絡算法.神經(jīng)網(wǎng)絡的計算速度快,利于電路實現(xiàn),同時算法的穩(wěn)定性也得到了證明.其次是基于進化計算的算法.該算法綜合了遺傳算法和單純形法的優(yōu)點,主要應用于求解目標函數(shù)不可微的minimax全局優(yōu)化.5.對不確定系統(tǒng)中的一類問題,即用區(qū)間數(shù)作

6、為參數(shù)進行建模求解的區(qū)間數(shù)規(guī)劃問題,該文受顧基發(fā)研究員的"物理-事理-人理(WSR)"[26]的系統(tǒng)科學思想的啟發(fā),創(chuàng)造性的提出了一個結合目標函數(shù)期望,不確定度和后悔度的三目標魯棒優(yōu)化命題,該優(yōu)化命題可作為原不確定系統(tǒng)優(yōu)化命題的替代命題.此外對含區(qū)間數(shù)參數(shù)的不等式約束的處理也提出了新的轉化準則.6.由于參數(shù)不確定性和滯后特性的存在,整定好的控制器在環(huán)境產(chǎn)生波動的情況下有可能失效.針對這種工業(yè)過程,該論文基于LQR性能指標(該指標和衰減系