导读：基于启发式遗传算法的非线性神经网络预测控制器邹 健，陈嘉陵，诸 静 （浙江大学电气工程学院，浙江杭州310013） ［摘 要］...
内容加载中...
根据以上的原理，控制算法归纳如下：
（1）构造并离线训练CMAC网络以获得网络初始权值。
（2）设定预测时域N1，控制时域Nu，控制加权λ。
（3）在控制增量Δu的容许域内随机产生初始种群。
（4）根据上一节所述步骤进行滚动优化，产生控制增量序列｛Δu＊（t＋j）｝，并以Δu＊（t）投入控制。
（5）采样被控对象输出y（t＋1），以预测误差ep（t＋1）＝y（t＋1）－yp（t＋1）在线修正CMAC网络权值。
（6）根据e（t＋1）值和参考轨迹变化值Δyr（t＋2）＝yr（t＋2）－y（t＋1）选择Δu子区域宽度，并以此子区域作为下个采样周期的容许域。返回（3）。
7 仿真研究
非线性被控模型为：
则CMAC网络的输入向量为［y（t－1），y（t－2），y（t－3）,u（t－1），u（t－2）］
选取联想空间｜A＊｜＝45，物理存储空间｜Ap｜＝4500，网络学习率η＝0．4，预测时域N1＝2，控制时域Nu＝1，控制加权λ＝0，控制增量Δu用16位的字串表示，初始种群个数M＝50，进化代数N＝300，交叉概率Pc＝0．8，变异概率Pm＝0．01，跟踪幅度分别为0．3和0．6方波设定值，分别采用SGA和HGA进行滚动优化，其中HGA的子区域划分如表7—1所示。
仿真结果表明，在种群个数、进化代数相同的情况下，采用HGA滚动优化算法的预测控制方法能精确地跟踪设定值（如图7—2，其中虚线为参考轨迹，实线为响应曲线。），而采用SGA算法的预测控制方法跟踪设定值速度较慢且在设定值附近出现小幅振荡（如图7—1）。
8 小 结
本文提出一种以CMAC网络为多步预测模型，以遗传算法进行滚动优化的非线性预测控制方法，并根据误差量和设定值变化量在寻优过程中改变控制增量搜索区域，以克服简单遗传算法所存在的收敛速度慢、求解精度低的问题。仿真研究表明，该算法控制实时性强、跟踪设定值效果良好，为提高遗传算法在非线性预测控制中的实用性作出了有益的探索。同时，对于算法的稳定性、收敛性和诸多参数的选择等问题还有待于作进一步的研究。［参考文献］
［1］Tan，Y．H．and De Keyser，R．，Neural NetworkBased Adaptive Predictive Control，Advances inModel－based predictive Control［J］．Edited by Clarke，D．，Oxford Science Publications，1994．
［2］Shin，S．C．，Park，S．B．，GA－based Predictive Con－trolfor Nonlinear Processes［J］．Electrionics Letters v34，n20，1980－1981，1998．
［3］Ramirez，D．R．，et al．Nonlinear MBPCfor mobilerobot navigation using genetic algorithms［J］．Proc．IEEEInt．Conf．Robotics and Automation，2452－
2457，1999．
［4］Albus，J．S．，A New Approach to Maniputor Con－trol：The Cerellar Model Articulation Controller（CMAC）［J］．Trans，ASME，Sep 1975，220－227．
［5］韦柳涛，曾庆川，等．启发式遗传基因算法及其在电力系统机组组合优化中的应用［J］．中
国电机工程学报，1994（3）：67－71．
［6］车海平，贺江峰，等．基于BP网络的非线性广义预测控制学习控制器［J］．南开大学学报（自然科学），1997（11）：52－56．
免责声明：本站文章均由网上收集，所有文章仅供学习参考之用，版权和著作权归原作者所有，请在24小时内删除！ 如果您发现侵犯您的权益，请即时通知，本站将立即删除！
