论文部分内容阅读
迭代学习控制(Iterative Learning Control,ILC)是智能控制的一个关键分支,也是一种新型的学习控制策略。其最大的特点就是可以通过重复应用先前的控制经验求取控制输入信号,该控制输入信号可以使系统的输出趋近于期望输出,以此来改善控制的质量。相比较其他控制方法,ILC拥有诸多优势,它可以用很简单的方式应用于存在较高不确定性的非线性系统,计算量也较为简单;ILC具有很高的适应性,并且在实际工业控制中很容易实现;ILC最突出的优势便是不依赖于精确的数学模型。因此,迭代学习控制的研究有着十分重要的现实意义。为了提高非线性优化迭代学习控制算法的收敛性能,获得更好的跟踪性能,本文采用协同进化混合蛙跳算法实现迭代学习控制的性能优化,提出了一种基于协同进化混合蛙跳算法的优化迭代学习控制算法。利用协同进化混合蛙跳算法来处理迭代学习控制中的非线性问题和输入有约束的问题,使得算法的参数选择简单,搜索空间小,收敛速率得到提高。此外,通过对协同进化混合蛙跳算法搜索到的控制输入施加滤波器,在不影响跟踪效果和误差的前提下,可以有效地滤除由于蛙跳算法的随机性而产生的输入的高频部分,使其曲线更为光滑。仿真结果表明基于协同进化混合蛙跳算法的优化迭代学习控制算法收敛性优于基于克隆选择算法的优化迭代学习控制算法和基于遗传算法的优化迭代学习控制算法。迭代学习控制算法中的学习参数的选取对于迭代学习控制的收敛性以及收敛速度的影响很大。传统的PID型迭代学习控制中,学习参数的设置需要凭借经验选取,具有一定的盲目型,算法分析给出的收敛条件并不能用于学习参数的选取。本文针对此问题采用协同进化混合蛙跳算法优化PID控制器的学习参数,提出了一种基于协同进化混合蛙跳算法的PID型迭代学习控制算法,通过该算法可得到能保证系统单调收敛的PID学习参数。最后,将基于协同进化混合蛙跳算法的优化迭代学习控制算法应用于吊车-双摆系统中,通过仿真验证了算法的有效性和可行性。