论文部分内容阅读
当用传统的基于最坏情况考虑的确定性方法来处理不确定系统鲁棒性分析与综合问题时，其中有些问题从计算复杂性上讲是NP-hard的。为了试图突破NP-hard障碍以及在一定条件下降低传统方法所得鲁棒性裕度的保守性，很多研究者将概率鲁棒性的概念和随机化算法引入到鲁棒控制中来；从概率意义上考虑不确定系统的鲁棒性分析与综合问题，使得这些问题的处理降至多项式复杂性，同时降低了控制系统设计的保守性。
然而概率鲁棒性分析与综合无论是从理论上还是从计算观点看都存在着一定的局限性。概率鲁棒性分析中的二值逻辑判断不能刻划鲁棒性定义中的“满意稳定性或性能特性”这一模糊概念。另外，随机化算法虽然使得鲁棒控制中NP-hard问题的处理降至多项式复杂性，但仍可能出现计算代价过高的问题，主要体现在三个方面：一是分析复杂性能指标时运行每次Monte Carlo仿真所要求的CPU时间较长；二是待估计的系统稳定性或性能特性不可接受是小概率事件；三是在系统综合时，搜索算法的效率不高。 为此我们提出了模糊鲁棒性的概念，并将其应用于不确定系统的鲁棒性分析与综合，解决概率鲁棒性分析与综合理论不能描述和处理模糊现象的困难。同时为了进一步降低系统模糊鲁棒性分析与综合的计算代价，我们将引入基于数据的机器学习理论与学习方法和遗传算法。文中应用重要抽样法、神经网络和支持向量机三种学习方法于模糊鲁棒性分析。重要抽样法用来提高训练样本或预测样本的抽样效率；由于模糊鲁棒性分析本质上是一种近似概念同时又涉及大量重复费时的Monte Carlo仿真，这启发我们将神经网络与支持向量机用于预测系统的性能指标值；只要该指标值在误差容许范围内，就可以用很小的计算成本得到性能指标的一个可以接受的估计，降低了模糊鲁棒性分析的计算代价。同时比较研究了随机搜索算法、随机化算法以及遗传算法这几种常用搜索方法在模糊鲁棒性综合中的计算效率和搜索效果，体现遗传算法在模糊鲁棒性综合中的高效性以及采用模糊性能度量较之概率性能度量的优点。
通过对鲁棒控制标准问题的仿真研究验证本文所建议方法的有效性。