线性广义系统的P型、PD型和PID型迭代学习控制

本文研究了线性定常广义系统在P型、PD型和PID型学习律作用下的迭代控制问题,利用矩阵理论和微分不等式方法,得到了其迭代控制收敛性结果.不仅对于时变系统也成立,而且,可以移植到线性定常广义离散时间系统.     

一类非线性系统的分段迭代学习控制

本文提出并研究一类非线性系统的分段迭代学习控制问题.基于P型学习律和D型学习律构建得到分段迭代学习控制律,利用压缩映射原理,证明这种分段迭代学习律能使得系统的输出跟踪误差沿迭代轴方向收敛.仿真算例验证了算法的有效性.     

线性不确定系统的鲁棒D型迭代学习控制

研究一类线性不确定系统的鲁棒D型迭代学习控制问题.首先针对一类线性标称控制对象,建立其迭代学习控制的二维模型;然后基于获得的二维模型,利用二维系统稳定性理论,获得系统在迭代初态与期望初态一致和不一致两种情形下的D型迭代学习控制律的存在条件和设计方法;进一步,将所得结果推广至控制对象包含不确定性的情形.所得结果以线性矩阵不等式(LMI)的形式给出,可以方便地利用Matlab中的LMI工具箱求解.最后,数值仿真实例验证了本文所提方法的有效性.     

非线性多时滞系统的二阶D型迭代学习控制

收敛性是迭代学习控制的重要研究内容之一.针对非线性多时滞系统,讨论了二阶D型迭代学习控制算法.通过引进新的(λ,ξ)-范数和新的分析方法,本文获得了算法收敛和目标跟踪精度较高的结果.仿真结果表明了该算法的有效性.     

具有固定初始偏移的线性广义迭代学习控制系统的状态跟踪算法

本文研究线性广义系统存在固定初始偏移时的迭代学习控制问题.利用矩阵奇异值分解的方法,将广义系统转化为微分代数系统,再根据微分代数系统的性质,构建得到一种新的迭代学习控制算法,该算法由部分PD型算法和部分P型算法混合而成.利用压缩映射原理,证明在这种学习算法的作用下,系统的状态跟踪误差渐近收敛于零.为消除固定初始偏移的影响,本文进一步将初始修正策略应用到广义系统上,并由此构建得到相应的学习算法.证明在这种学习算法的作用下,可实现状态轨迹在预定有限时间区间上对期望轨迹的完全跟踪,且与初始偏移量的大小无关.仿真算例验证了算法的有效性.     

线性多时滞系统的二阶D型迭代学习控制

本文研究了线性多时滞系统讨论了二阶D型迭代学习控制算法.通过引进新的(λ,ξ)-范数和新的分析方法,获得了算法收敛和目标跟踪精度较高的结果.仿真结果表明了该算法的有效性.     

有限时间迭代学习控制

针对任意初态情形, 借助于初始修正吸引子的概念,讨论不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法.闭环系统中含有限时间控制作用, 在预先指定的区间上实现零误差跟踪,且起始段的系统输出轨迹也可预先规划.分别讨论部分限幅学习与完全限幅学习, 证明闭环系统中各变量的一致有界性以及误差序列的一致收敛性. 变量有界性证明得益于提出的限幅学习算法,特别是完全限幅学习算法可确保参数估值的变化范围.     

控制增益时变的非线性系统的迭代学习控制

研究一类具有未知时变控制增益的不确定非线性系统的迭代学习控制.系统的不确定性不仅是时变的,而且可以依赖于系统的状态.在先前的有关研究中,如果不采用饱和控制,只能保证点点收敛或平方积分收敛.文章提出了一个不采用饱和控制的状态反馈迭代学习控制律,并且建立了跟踪误差的一致收敛性.     

一类广义迭代学习控制系统的状态跟踪算法

利用迭代学习控制方法,研究了一类广义系统的状态跟踪问题.针对广义系统的分解形式,提出了一种新的迭代学习控制算法,该算法由部分D型算法和部分P型算法混合而成.给出了新算法的收敛条件,并从理论上对新算法进行了完整的收敛性分析.数值仿真结果说明了所提出的广义系统状态跟踪的迭代学习控制算法的有效性.     

含多重时滞非线性系统的分数阶迭代学习控制的收敛性分析

本文研究了含多重时滞非线性系统的分数阶迭代学习控制(FOILC).它包含了外部干扰和输出控制噪音,通过引入λ—范数,获得在开环和闭环迭代学习控制作用下,系统控制输入以及跟踪误差收敛的充分条件.最后,通过数值仿真验证所提方法的有效性.     

一类非线性系统的迭代学习控制

讨论一类非线性系统的迭代学习控制,系统的非线性动态对状态不快于多项式增长,而量测方程含有噪声.控制序列并非直接输给系统,而是先经过死区、预载及饱和等非线性函数.递推地给出了学习控制序列,并证明它的有界性及最优跟踪性.     

Analysis of a Mechanical Solver for Linear Systems of Equations

In this contribution we analyse some fundamental features of an iterative method to solve systems of linear equations, following the approach introduced in a previous work [1]. Such questions range from optimal parameters and initial conditions to comparison with other methods. An interesting result is that a priori we can give an estimation of the number of iterations to get a given accuracy.     

Iterative sliding mode control

Iterative Learning Control (ILC) methods are described and applied ever-increasingly as powerful tools to control dynamics nowadays.

ILC’s methods in most studies are described as based on repetitive process from the beginning to the end of process or as a kind of repetitive control.

Our newly designed controllers based on a particular case of iterative learning control radically differ from conventional methods in attempting to stabilize a class of non linear systems.

In this paper two kinds of ILC method are introduced in two separate sections. In the first, our newly designed method satisfies the condition of a Lyapunov stability theorem in a class of non linear systems in which their structures have the Lipschitz property. In the second, by freezing the time and moving to a new virtual axis, called the index axis, this newly designed method tries to find the best value for control at this time step and can be used in two modes, on-line and off-line.

In both methods, by satisfying the convergence condition of our designed ILC, closed loop stability is obtained automatically.     

Iterative learning control for discrete-time switched singular systems

This paper deals with the problem of iterative learning control for a class of discrete-time switched singular systems with arbitrary switching rules. According to the characteristics of the systems, two types of iterative learning algorithms are proposed and the corresponding convergence conditions of the algorithms are established. Under some given assumptions, the algorithms can ensure the system state converges to the desired state trajectory on a finite time interval. Finally, two numerical examples are constructed to support the theoretical analysis.     

一类线性系统的数值控制设计

主要讨论了具有不稳定切换子模型的切换线性系统的稳定性问题.首先考虑了通过设计切换律来达到切换线性系统的稳定性问题.然后研究了切换线性控制系统可镇定性问题,通过设计控制律和切换律得到系统可镇定的判据.     

Extremality,Controllability, and Abundant Subsets of Generalized Control Systems

The generalized control system that we consider in this paper is a collection of vector fields, which are measurable in the time variable and Lipschitzian in the state variable. For such system, we define the concept of an abundant subset. Our definition follows the definition of an abundant set of control functions introduced by Warga. We prove a controllability–extremality theorem for generalized control systems, which says, in essence, that either a given trajectory satisfies a type of maximum principle or a neighborhood of the endpoint of the trajectory can be covered by trajectories of an abundant subset. We apply the theorem to a control system in the classical formulation and obtain a controllability–extremality result, which is stronger, in some respects, than all previous results of this type. Finally, we apply the theorem to differential inclusions and obtain, as an easy corollary, a Pontryagin-type maximum principle for nonconvex inclusions.     

非线性系统的高阶迭代学习控制算法

本文对一般非线性系统,提出了三种高阶迭代学习控制算法:(Ⅰ)u_(h 1)=sum from j=1 to r(P_ju_(k-j 1) Г_je_(h-j 1));(Ⅱ)u_(k 1)=sum from j=1 to r(P_ju_(k-j 1) F_je_(k-j 1));(Ⅲ)u_(k 1)=sum from j=1 to r{P_ju_(k-j 1) (Г_j F_jd/(dt))e_(k-j 1)},其中u_(k 1)=u_(k 1)(t)表示系统第k 1次运行时的输入;e_k=y_k-y_d;y_d是系统所期望的输出;y_k是系统第k次运行时的输出;P_j,Г_j,F_j(j=1,…,r)是常数阵;进而给出了比较弱的收敛性条件。     

离散系统迭代学习型瞬时最优控制及作动器位置优化研究

以线性离散系统为研究对象,以瞬时最优化控制和智能算法中的迭代学习控制为基础,以系统响应期望值与实际值之差为反馈信号,以离散系统的二次型性能泛函为目标函数,提出了迭代学习型瞬时最优控制算法.该方法以瞬时最优化控制算法初始化控制信号,并采用迭代学习控制在线实时修正控制信号以提高主动控制的效果.针对迭代学习型瞬时最优化控制算法迭代的特性,采用范数方法给出了该算法收敛的充分条件.数值算例表明,迭代学习型瞬时最优控制算法较离散瞬时最优控制算法有较明显的优势.同时,基于改进遗传算法,对主动控制器位置优化进行了讨论.数值分析结果表明:部分楼层设置主动控制器且安装位置经过优化后,其控制效果可接近甚至优于全楼层设置主动控制器时的控制效果.     

一类抽象算子方程组的迭代解及其应用

在Banach空间中, 利用半序方法讨论了一类抽象算子方程组解的存在唯一性, 推广和统一了以前的一些结果. 然后应用到 Banach 空间非线性积分方程组, 得到了方程组的唯一解, 构造了收敛于方程组唯一解的迭代序列并给出了相应的误差估计.