混沌优化Smith预估补偿器

一个控制系统的Smith预估补偿器参数如果选取不精确可能会导致控制器失效,针对这一问题,提出一种在线混沌优化Smith预估补偿器参数的方法.首先通过混沌映射对被控对象的阶跃响应曲线进行数学辨识得到其传递函数,然后依据辨识出的数学模型进行离线PID参数优化.当模型变化时,控制器可以自适应调节参数.此方法具有被控对象自动识别、系统针对性强、可以在线滚动优化等优点.分别以低阶和高阶数学模型为被控对象进行仿真,仿真结果表明,控制器具有较强的跟踪能力和鲁棒性.     

重力训练法

针对某些对象梯度不易计算的问题,提出一种新的优化训练方法.利用水往低处流的原理对参数进行寻优,将随机初始参数根据步长生成多维空间中点的坐标形式,用实际输出和目标输出之间的差来表示以此点为球心的球的半径,将最小半径的球作为下一步寻优的中心点.此方法具有无需计算梯度,初始值随机选取,易编程,寻优快等特点.通过仿真实验,此方法成功应用在PID控制器、LQR控制器和神经网络中,获取了最优参数,具有实际操作性.