×

一种有效的马尔可夫跳跃系统的模型预测控制。 (英语) Zbl 1485.93167号

摘要:本文研究了一类具有不稳定模态的马尔可夫跳跃系统在多面体不确定性和硬约束下的有效模型预测控制问题。在EMPC框架下,共同设计了转移概率矩阵和双模控制策略。为了在计算量、初始可行域和控制性能之间取得良好的平衡,提出了EMPC,其主要思想是双重的:(1)终端约束集、相应的反馈增益和适当的切换规则(即转移概率)通过解决与子系统模式相关的离线“min-max”问题同时进行设计;(2)通过调整控制扰动序列的维数,离线获得较大的初始可行域,同时在线设计扰动序列,将属于初始可行域的系统状态引导到预定步骤内的终端约束集。此外,还提出了充分条件来严格保证所提出的EMPC算法的可行性和潜在MJS的均方稳定性。最后,以经济系统为例验证了该算法的可行性和有效性。

MSC公司:

93B45码 模型预测控制
93E15型 控制理论中的随机稳定性
93C55美元 离散时间控制/观测系统

软件:

LMI银行
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 罗,Y。;王,Z。;魏,G。;Alsaadi,F.E.,《具有指定功率边界的马尔科夫跳跃2-D系统的非脆弱故障估计》,IEEE系统、人与控制论汇刊:系统,50,5,1964-1975(2020)
[2] 孙,Y。;丁·D。;Dong,H。;Wei,G.,基于驻留时间的通信调度的弹性滤波,非线性分析。混合系统。,37,第100901条pp.(2020)·Zbl 1478.93697号
[3] 胡,J。;张,H。;刘,H。;Yu,X.,网络控制系统滑模控制综述,国际。系统科学杂志。,52, 6, 1129-1147 (2021) ·Zbl 1483.93059号
[4] Kao,Y。;李毅。;Park,J.H。;Chen,X.,通过自适应控制实现延迟分数忆阻神经网络的Mittag-Lefler同步,IEEE Trans。神经网络。学习。系统。,32, 5, 2279-2284 (2020)
[5] Kao,Y。;Li,H.,具有脉冲的非自治分数阶神经网络的渐近多稳定性和局部S-渐近(ω)-周期性,Sci。中国信息科学。,64,1,1-13(2021)
[6] 陈,Y。;陈,Z。;陈,Z。;薛,A.,具有随机通信延迟的非齐次马尔可夫跳跃系统的基于观测器的被动控制,国际。系统科学杂志。,511133-1147(2020)·Zbl 1483.93680号
[7] 李强。;Liang,J.,具有随机发生不确定性和一般不确定性转移率的随机马尔可夫切换CVNN的耗散性,国际。系统科学杂志。,51, 6, 1102-1118 (2020) ·Zbl 1483.93684号
[8] 邹,L。;王,Z。;耿,H。;Liu,X.,《脉冲测量离群值下的集员滤波:递归算法》,IEEE/CAA J.Autom。罪。,8, 2, 377-388 (2021)
[9] 邹,L。;王,Z。;Zhou,D.,基于组件的动态事件触发传输下非均匀采样的移动时域估计,Automatica,120,第109154页,(2020)·Zbl 1448.93191号
[10] 赵,D。;王,Z。;丁·D。;魏,G.,(mathcal{高}_\带衰减测量的PID控制:输出反馈案例,IEEE系统、人与控制论汇刊:系统,50,6,2170-2180(2020)
[11] Song,Y。;王,Z。;刘,S。;Wei,G.,\(N\)-随机通信协议下具有持续有界干扰的步进MPC,IEEE系统、人与控制论事务:系统,50,11,4762-4772(2020)
[12] Song,Y。;王,Z。;邹,L。;Liu,S.,基于Endec解码器的N步模型预测控制:可检测性、稳定性和优化,Automatica,135109961(2022)·Zbl 1478.93176号
[13] Xu,Y。;袁,Y。;Yang,H。;周,D.,欺骗攻击下离散时间系统的基于安全区域的模型预测控制,国际。系统科学杂志。,52, 10, 2144-2160 (2021) ·Zbl 1483.93158号
[14] 李,J。;李,D。;Xi,Y。;Xu,Y。;Gan,Z.,具有乘性和加性不确定性随机系统的输出反馈模型预测控制,国际。J.鲁棒非线性控制,28,1,86-102(2018)·Zbl 1387.93144号
[15] 张,B。;Song,Y.,马尔科夫跳跃系统的异步弹性鲁棒模型预测控制,IEEE Trans。工业信息,16,11,7025-7034(2020)
[16] 利伯松,D。;Morse,A.S.,《开关系统稳定性和设计的基本问题》,IEEE控制系统。Mag.,19,5,59-70(1999)·Zbl 1384.93064号
[17] Sehgal,V.K.,基于Markovian模型的网络随机通信-封装,IEEE Trans。并行分配系统。,26, 10, 2806-2821 (2015)
[18] 马,S。;Xiong,J.,通过概率速率合成和状态反馈稳定时滞Markov跳跃系统,IFAC Proc。第47卷,第3卷,第10415-10420页(2014年)
[19] 张,P。;曹,J。;Wang,G.,具有切换概率率设计的奇异马尔可夫延迟跳跃系统的模式无关保证成本控制,国际创新计算、信息与控制杂志:IJISIC,10,4,1291-1303(2014)
[20] 冯,J。;Lam,J。;Shu,Z.,通过概率率合成和输出反馈的马尔可夫系统的稳定性,IEEE Trans。自动化。控制,55,3,773-777(2010)·Zbl 1368.93535号
[21] Xiang,W。;Xiao,J.,通过停留时间切换实现所有模式不稳定的切换连续时间系统的稳定性,Automatica,50,3,940-945(2014)·Zbl 1298.93283号
[22] 宋,J。;牛,Y。;Lam,J。;Shu,Z.,马尔可夫跳跃系统输出反馈指数镇定的混合设计方法,IEEE Trans。自动化。控制,63,5,1404-1417(2018)·Zbl 1395.93571号
[23] 丁·T。;朱,S。;He,J。;陈,C。;Guan,X.P.,多智能体系统中通过状态和方向扰动的差异私有分布式优化,IEEE Trans。自动化。控制(2021)
[24] Kouvaritakis,B。;罗西特,J.A。;Schuurmans,J.,高效鲁棒预测控制,IEEE Trans。自动化。控制,45,8,1545-1549(2000)·Zbl 0988.93022号
[25] 丁·T。;朱,S。;陈,C。;徐,J。;Guan,X.,《通过偏差跟踪进行差异私有分布式资源分配》,IEEE网络信号和信息处理汇刊,7222-235(2021)
[26] 坎农,M。;Kouvaritakis,B.,《稳健MPC预测动力学优化》,IEEE Trans。自动化。控制,50,11,1892-1897(2005)·Zbl 1365.93170号
[27] Darup,M.S。;Monnigmann,M.,《航站区周围无优化稳健MPC》,Automatica,95229-235(2018)·Zbl 1402.93099号
[28] Dong,Y。;Song,Y。;Wei,G.,具有随机通信协议的网络区间2型T-S模糊系统的有效模型预测控制,IEEE Trans。模糊系统。,29, 2, 286-297 (2020)
[29] 张,B。;Song,Y.,所有不稳定模式下马尔科夫跳跃系统的鲁棒模型预测控制,(2020年第16届控制、自动化、机器人和视觉国际会议,2020年第十六届控制、自动、机器人和视野国际会议,ICARCV(2020),IEEE),614-619
[30] Wang,J。;Song,Y。;Wei,G.,多面体不确定系统的基于安全的弹性鲁棒模型预测控制,受到欺骗攻击和RR协议,IEEE系统、人和控制论事务:系统,1-12(2021)
[31] Li,F。;李,X。;张,X。;Yang,C.,通过齐次多项式方法对延迟马尔科夫跳跃系统进行异步滤波,IEEE Trans。自动化。控制,65,5,2163-2170(2019)·Zbl 1533.93806号
[32] 李,X。;Li,F。;张,X。;杨,C。;Gui,W.,延迟半马尔可夫递归神经网络的指数稳定性分析:齐次多项式方法,IEEE Trans。神经网络。学习。系统。,29, 12, 6374-6384 (2018)
[33] Orsi,R.,Lmirank:秩约束LMI问题的软件(2005),[在线]。可用:http://users.cecs.anu.edu.au/robert/lmilrank/
[34] 马,H。;张伟。;Hou,T.,带乘性噪声离散时变马尔可夫跳跃系统的无限时域控制,Automatica,48,7,1447-1454(2012)·Zbl 1246.93074号
[35] 赵,D。;王,Z。;Ho,D.W。;Wei,G.,离散时滞系统在控制攻击下基于观测器的PID安全控制,IEEE系统、人与控制论汇刊:系统,51,6,3926-3938(2021)
[36] 赵,D。;王,Z。;魏,G。;Han,Q.L.,《基于观测器的PID安全控制的动态事件触发方法受到欺骗攻击》,Automatica,120,第109128页,(2020)·Zbl 1448.93219号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不声称其完整性或完全匹配。