基于遗传算法的神经网络预测控制及应用
|
摘要
本文把预测控制与神经网络、遗传算法等智能技术相结合，对其在无人机中的应用进行了设计和研究。
预测控制是上世纪七十年代发展起来的一种工业高等过程优化控制方法。它具有建模简单方便、鲁棒性好等特点。它对模型要求不高，却具有较高的控制性能。工业中应用最为普遍的预测控制大都是基于线性渐进稳定的系统设计出来的，算法虽然简单，但应用受到一定的限制。对于无人机这样的典型非线性系统，预测模型必须采用非线性模型。神经网络在非线性建模方面具有独特优势。本文利用神经网络作为预测模型，以遗传算法作为在线优化算法，对无人机的高度爬升进行了仿真研究。同时，根据遗传算法强大的随机全局搜索机制，对其在神经网络的训练方面进行了研究。
This paper studied on the combination of predictive control, artificial neural network and genetic algorithm, and applied it to unmanned vehicles.
Predictive control is an optimizing control algorithm which developed in 1970s. It has the advantage of convenience of modeling and good robust characteristic. With simple or low-precise predictive model, this control strategy can let control system gain high control quality. However, applied predictive control algorithm mostly is based on linear stable system. The nonlinearity of unmanned vehicles requires a nonlinear model in predictive control. It is convenient to use artificial neural network to model such a nonlinear system. This paper used neural network as the predictive model, and genetic algorithm as optimizing algorithm, to simulate the unmanned vehicle's ascending process. In addition, this paper also studied on optimizing neural networks utilizing the global searching mechanism of genetic algorithm.
预测控制是上世纪七十年代发展起来的一种工业高等过程优化控制方法。它具有建模简单方便、鲁棒性好等特点。它对模型要求不高，却具有较高的控制性能。工业中应用最为普遍的预测控制大都是基于线性渐进稳定的系统设计出来的，算法虽然简单，但应用受到一定的限制。对于无人机这样的典型非线性系统，预测模型必须采用非线性模型。神经网络在非线性建模方面具有独特优势。本文利用神经网络作为预测模型，以遗传算法作为在线优化算法，对无人机的高度爬升进行了仿真研究。同时，根据遗传算法强大的随机全局搜索机制，对其在神经网络的训练方面进行了研究。
This paper studied on the combination of predictive control, artificial neural network and genetic algorithm, and applied it to unmanned vehicles.
Predictive control is an optimizing control algorithm which developed in 1970s. It has the advantage of convenience of modeling and good robust characteristic. With simple or low-precise predictive model, this control strategy can let control system gain high control quality. However, applied predictive control algorithm mostly is based on linear stable system. The nonlinearity of unmanned vehicles requires a nonlinear model in predictive control. It is convenient to use artificial neural network to model such a nonlinear system. This paper used neural network as the predictive model, and genetic algorithm as optimizing algorithm, to simulate the unmanned vehicle's ascending process. In addition, this paper also studied on optimizing neural networks utilizing the global searching mechanism of genetic algorithm.
引文
[1] 李人厚，《智能控制理论和方法》，西安电子科技大学出版社，1999．10
[2] 王士同，《模糊系统、模糊神经网络及应用程序设计》，上海科学技术文献出版社，1998．12
[3] 潘正君、康立山、陈毓屏，《演化计算》，清华大学出版社、广西科学技术出版社，1998．7
[4] 周明、孙树栋，《遗传算法原理及应用》，国防工业业版社，1999．6
[5] 席裕庚，《预测控制》，国防工业出版社，1993．6
[6] 金以慧，《过程控制》，清华大学出版社，1993．4
[7] 王桂增、王诗宓，《高等过程控制》，清华大学出版社，2002．3
[8] 陈华、张小刚，《基于 GA 的神经网络预测控制仿真研究及应用》，计算技术与自动化，Vol．19，No．3，2000．9
[9] 王淑芬、吴卫，《无人机发展的情报研究》，飞航导弹，1998，第10期
[10] Peter J. Gowthrop & Eric Ronco, Local Model Networks and Self-Tuning Predictive Control, Report: CSC-96001, University of Glasgow, April 24,1996
[11] Stefano Nolfi, Jeffrey L. Elman, Domenico Parisi, Learning and evolution in neural networks, Technical Report 94-08, Institute of Psychology C. N. R. -Rome, June 1994
[12] 王科俊、王克成，《神经网络建模、预报与控制》，哈尔滨工程大学出版社， 1996．12
[13] 许东、吴铮，《基于 Matlab 6．x 的系统分析与设计——神经网络》，西安电子科技大学出版社，2002．9
[14] 焦李成，《神经网络的应用与实现》，西安电子科技大学出版社，1993．6
[15] R. R. Kampfner and M. Conrad, Computational Modeling of Evolutionary Learning Processes in the Brain, Evolutionary computation: the fossil record, the Institute of Electrical and Electronics Engineers, 1998
[16] L. S. Shieh, W. Wang and J. S. H. Tsai, Optimal digital design of hybrid uncertain systems using genetic algorithms, IEE Proc-Control Theory Appl, Vol. 146, No.2, Mar. 1999
[17] Adler D. Genetic Algorithms and Simulated Annealing: A Marriage Proposal. Proc. Of IEEE Int'l. Conf. On Neural Networks, 1993
[18] 姚俊峰、梅炽等，《混沌遗传算法及其应用》，系统工程，Vol．19，No．1，Jan．2001
[19] 聂诗良、黎洪生、李磊民，《基于改进 SGA 的神经网络权系优化训练》，西南工学院学报，Vol．16，No．1，Mar．2001
[20] 徐力平、江红、张炎华，《改进的选择神经网络结构的方法》，计算机工程，Vol．27，No．2，Feb．2001
[21] 王凌、郑大钟、李清生，《混沌优化方法的研究进展》，计算技术与自动化，Vol．20，No．1，Mar．200l
[22] 孙建永、申建中、徐宗本，《一类自适应遗传算法》，西安交通大学学报，Vol．34，No．10，2000
[23] 沈春华、卢晶、徐柏龄，《浮点数编码的遗传算法在系统辨识中的应用》，应用科学学报，Vol．19，No．4，Dec．2001
[24] 赵豫红、顾钟文，傅烈勇、周春晖，《双线性系统的一种预测控制算法》，浙江大学学报(自然科学版)，Supplement，June．1998
[2] 王士同，《模糊系统、模糊神经网络及应用程序设计》，上海科学技术文献出版社，1998．12
[3] 潘正君、康立山、陈毓屏，《演化计算》，清华大学出版社、广西科学技术出版社，1998．7
[4] 周明、孙树栋，《遗传算法原理及应用》，国防工业业版社，1999．6
[5] 席裕庚，《预测控制》，国防工业出版社，1993．6
[6] 金以慧，《过程控制》，清华大学出版社，1993．4
[7] 王桂增、王诗宓，《高等过程控制》，清华大学出版社，2002．3
[8] 陈华、张小刚，《基于 GA 的神经网络预测控制仿真研究及应用》，计算技术与自动化，Vol．19，No．3，2000．9
[9] 王淑芬、吴卫，《无人机发展的情报研究》，飞航导弹，1998，第10期
[10] Peter J. Gowthrop & Eric Ronco, Local Model Networks and Self-Tuning Predictive Control, Report: CSC-96001, University of Glasgow, April 24,1996
[11] Stefano Nolfi, Jeffrey L. Elman, Domenico Parisi, Learning and evolution in neural networks, Technical Report 94-08, Institute of Psychology C. N. R. -Rome, June 1994
[12] 王科俊、王克成，《神经网络建模、预报与控制》，哈尔滨工程大学出版社， 1996．12
[13] 许东、吴铮，《基于 Matlab 6．x 的系统分析与设计——神经网络》，西安电子科技大学出版社，2002．9
[14] 焦李成，《神经网络的应用与实现》，西安电子科技大学出版社，1993．6
[15] R. R. Kampfner and M. Conrad, Computational Modeling of Evolutionary Learning Processes in the Brain, Evolutionary computation: the fossil record, the Institute of Electrical and Electronics Engineers, 1998
[16] L. S. Shieh, W. Wang and J. S. H. Tsai, Optimal digital design of hybrid uncertain systems using genetic algorithms, IEE Proc-Control Theory Appl, Vol. 146, No.2, Mar. 1999
[17] Adler D. Genetic Algorithms and Simulated Annealing: A Marriage Proposal. Proc. Of IEEE Int'l. Conf. On Neural Networks, 1993
[18] 姚俊峰、梅炽等，《混沌遗传算法及其应用》，系统工程，Vol．19，No．1，Jan．2001
[19] 聂诗良、黎洪生、李磊民，《基于改进 SGA 的神经网络权系优化训练》，西南工学院学报，Vol．16，No．1，Mar．2001
[20] 徐力平、江红、张炎华，《改进的选择神经网络结构的方法》，计算机工程，Vol．27，No．2，Feb．2001
[21] 王凌、郑大钟、李清生，《混沌优化方法的研究进展》，计算技术与自动化，Vol．20，No．1，Mar．200l
[22] 孙建永、申建中、徐宗本，《一类自适应遗传算法》，西安交通大学学报，Vol．34，No．10，2000
[23] 沈春华、卢晶、徐柏龄，《浮点数编码的遗传算法在系统辨识中的应用》，应用科学学报，Vol．19，No．4，Dec．2001
[24] 赵豫红、顾钟文，傅烈勇、周春晖，《双线性系统的一种预测控制算法》，浙江大学学报(自然科学版)，Supplement，June．1998
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |