基于递阶多模型切换的网络化控制系统

针对网络诱导时延的不确定特性,提出了一种递阶多模型切换控制的策略,以减小网络诱导时延不确定性带来的不利影响.考虑到网络带宽有限,为了减少全局控制信息的传送,将控制系统分为主控制器级和局部控制器级两层递阶结构.在系统运行过程中,根据网络诱导时延和当前子系统最大允许时延的关系选择最佳的局部控制器.应用公共李雅普诺夫函数法,分析得到了系统稳定的条件.通过数值仿真比较验证了该算法的有效性.     

具有通信约束的分布式水下航行器群编队控制

提出了具有通信约束的分布式水下航行器群编队控制算法.证明了在水下航行器群构成的动态网络拓扑为连接图的情况下,当航行器间的通信时延小于某个确定的上界时,该编队控制算法将以分布的方式使得群内所有航行器的速度和编队队形分别全局渐近地收敛至期望速度和期望队形.该算法的分布式本质使得水下航行器问的通信负担明显减轻,数值仿真结果验证了控制算法的有效性.     

基于α-置信度网络化控制系统的转换控制

以多步延迟网络化控制系统的控制器设计为基础,提出了一种基于α-置信度的转换控制法.针对时延的两种不同情况定义了平凡和非平凡两种状态:系统所处状态为平凡状态的概率为1-α,该状态下采用使系统均方指数稳定的LQG最优控制器;系统所处状态为非平凡状态的概率为α,该状态下采用使系统随机渐近稳定的时滞补偿控制器.简化了较大延迟情况下LQG最优控制器的求取, 工程上易于实现,提高了系统的性能.考虑到两种控制器的综合作用,建立了基于α-置信度的系统转换控制模型,仿真结果证明了转换控制法比单一控制法具有更好的控制效果.     

一类网络化控制系统的局部最优控制器设计

假定延时恒定且小于1个采样周期, 采用Lyapunov函数、线性矩阵不等式（LMI）以及区间矩阵的概念, 对状态反馈回路网络化的控制系统控制器增益进行设计, 以寻求某个局部最优控制器增益, 使网络化控制系统渐近稳定并同时使该控制器增益可变区间达到最大. 此局部最优控制器增益以及控制器增益的最大可变区间可以利用LMI工具箱中的求解器gevp得到. 实例表明, 采用此种设计方法很容易得到局部最优控制器.     

无限维系统H∞最优控制器的一种综合方法

利用Ｈａｒｄｙ空间的理论，探讨了一类无限维系统Ｈ∞最优灵敏度问题的综合方法，并对一类时滞系统给出了应用分析．     

移动智能体网络的优化功率控制及同步

从网络拓扑结构连通性与网络整体同步行为的内在关联出发,提出一种移动智能体网络的功率控制策略.首先确定满足网络拓扑结构连通的最小感知半径;其次以提高整个移动智能体网络的拓扑结构抗毁性为优化目标提出一种代价函数,在最大功率限制下的最大感知半径及保证连通的最小感知半径的范围内采用粒子群优化算法(PSO)予以优化,寻求同时满足网络连通性与抗毁性需求的个体感知半径;随后基于该控制策略,以个体感知邻域内运动方向偏差最大的2个邻居个体运动方向的中值作为个体下一时刻的运动方向,研究了移动智能体网络的快速同步问题.仿真结果表明:通过调节个体感知半径,移动智能体网络的功率控制和抗毁性能得到了提高.     

广义非线性系统的可靠H∞输出跟踪控制

针对一类广义非线性系统的可靠H∞输出跟踪控制问题,应用Tagaki-Sugeno(T-S)模糊控制方法,在执行器发生故障的情况下设计可靠控制器,使系统输出能跟踪参考信号,且跟踪误差系统渐近稳定并满足给定的H∞跟踪性能.基于线性矩阵不等式方法,给出了广义非线性系统实现H∞输出跟踪的充分条件,以及可靠控制器的设计.仿真结果表明了所设计的控制器在执行器正常或发生故障时的有效性.     

不确定网络化控制系统的鲁棒容错控制

提出了网络化控制系统(NCS)的一种建模方法.该方法采用时延估计法和在线取得时延法来获取时变时延,不仅解决了采样时差和时变时延难以估计的难点,而且大大简化了NCS的建模过程.针对NCS中传感器和执行器的失效问题,利用Lyapunov法给出了一种新的鲁棒容错控制算法.运用该算法设计的控制器可使系统在网络时延、故障和建模误差的共同干扰下依然稳定运行,而且该算法接近于普通的状态反馈设计,便于工程实现.实验结果表明,算法能使系统在传感器失效和建模误差的作用下保持鲁棒稳定性.     

Cascading Failures of Complex Networks Based on Two-Step Degree

We propose a new concept, two-step degree. Defining it as the capacity of a node of complex networks, we establish a novel capacity-load model of cascading failures of complex networks where the capacity of nodes decreases during the process of cascading failures. For scale-free networks, we find that the average two-step degree increases with the increase of the heterogeneity of the degree distribution, showing that the average two- step degree can be used for measuring the heterogeneity of the degree distribution of complex networks. In addition, under the condition that the average degree of a node is given, we can design a scale-free network with the optimal robustness to random failures by maximizing the average two-step degree.     

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k~L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.