基于自适应动态规划的非线性系统鲁棒控制与分散镇定

With the expansion of production scale, the mathematical models of more and more practical nonlinear systems are often difficult to build. Besides, there always exist uncertainties in the systems and interconnections among the subsystems. Additionally, the quality requirements of the controlled systems are also enhanced. In this project, the robust control and decentralized stabilization of nonlinear systems based on adaptive dynamic programming are investigated. First, the improved iterative adaptive dynamic programming algorithm is developed, so as to solve the optimal control problem of nonlinear systems with unknown dynamics. Then, the adaptive dynamic programming based optimal control scheme is employed to deal with the robust stabilization design of uncertain nonlinear systems. Moreover, the decentralized stabilization strategy of nonlinear interconnected systems based on learning optimal control is established. After that the decentralized optimal control of nonlinear large-scale systems is studied, thus the application scope of adaptive dynamic programming method is enlarged obviously. At last, the implementation process of the given iteration algorithms is presented by constructing neural networks. In addition, the effectiveness and superiority of the above approaches are verified via simulation experiments. It is important to notice that the given methods can not only strengthen the theoretical results of adaptive dynamic programming in the field of optimal control of nonlinear systems, but also provide novel avenues to robust control and decentralized control design of nonlinear systems. Therefore, it will be beneficial for the settlement of various practical problems, such as control, optimization, and management of complex systems. In summary, the conducted research is of great significance both in theory and application.

随着生产规模的日益扩大，越来越多的实际非线性系统具有难以建模、包含不确定项、子系统之间存在着关联等特性，而且人们对于控制系统的品质要求也不断提高。本项目研究基于自适应动态规划的非线性系统鲁棒控制与分散镇定。首先，提出自适应动态规划的改进迭代算法，以此求解具有未知动态非线性系统的最优控制问题。其次，基于自适应动态规划最优控制方法研究不确定非线性系统的鲁棒镇定设计。再次，建立基于学习最优控制的非线性关联系统的分散镇定策略，进而研究非线性大系统的分散最优控制，扩大自适应动态规划方法的适用范围。最后，构建神经网络研究迭代算法的实现过程，并通过仿真实验验证上述方法的有效性与优越性。本项目所提出的方法将深化自适应动态规划在非线性系统最优控制领域的理论成果，同时为非线性系统的鲁棒控制和分散控制设计提供新的途径，从而有助于解决复杂系统的控制、优化与管理等实际问题，因此具有重要的理论意义和应用价值。

在工业生产和社会生活中，由于各种类型自动化装置的广泛应用，控制系统所处的动力学环境日益复杂，越来越多的实际非线性系统存在建模困难、不确定动态、关联等因素。鉴于对降低能耗水平、提高生产效率等的关注，人们对于控制系统的品质要求也不断提高。在此背景下，本项目开展了基于自适应动态规划的非线性系统鲁棒控制与分散镇定研究。首先，实现具有未知动态离散时间非仿射非线性系统的最优控制设计。考虑迭代自适应动态规划思想和近似误差的影响，提出针对离散时间非线性系统近似最优调节的改进迭代算法，包括不需要动态系统模型的执行依赖算法。其次，建立一套基于自适应动态规划的非线性系统鲁棒镇定和保成本控制方案。针对离散时间非线性系统，提出基于广义Hamilton-Jacobi-Bellman框架的鲁棒镇定方法。对于连续时间情形，分别建立了针对匹配不确定系统的鲁棒控制、未知动态以及控制约束情况的鲁棒镇定、一般不确定系统的保成本控制方法。作为延伸研究，在系统驱动机制、外部干扰抑制和分布式算法等方面也进行了初步的探索。再次，提出基于自学习最优控制设计的关联非线性系统分散镇定方法。基于自适应动态规划思想，分别进行了关于复杂非线性系统的分散最优控制、鲁棒分散镇定、分散保成本控制等研究，使得自适应评判方法广泛应用于分散控制系统设计。最后，开展自适应动态规划迭代算法及其应用于鲁棒与分散控制问题的神经网络实现与仿真实验。结合策略迭代算法与积分强化学习思想，开发基于自适应动态规划的非线性系统鲁棒控制和分散镇定设计的仿真程序，并应用于电力等实际系统中，取得了良好的控制效果。通过开展本项工作，深化了非线性系统自适应优化控制领域的研究成果，能够扩大自适应动态规划的使用范围，由此推动了复杂非线性系统和智能控制设计的研究进展。本项目提出的一系列方法能够应用于电力等实际系统的优化设计，从而促进先进控制系统的构建和智能自动化技术的发展。

内容获取失败，请点击重试