柴　毅，周海林，付東莉，羅德超
重慶大學自動化學院，重慶

中國汽車工程研究院，重慶

摘　　　要：針對傳統的控制理論對實際的工業生產過程中的被控系統，特別是具有強非線性的系統控制效果不是很理想，而應用非線性模型預測控制算法能夠較好解決非線性系統的控制問題，提出了一種基于回聲狀態網絡（ＥｃｈｏＳｔａｔｅＮｅｔｗｏｒｋ，ＥＳＮ）模型進行非線性系統辨識
和粒子群優化（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）進行滾動優化的非線性模型預測控制系統的算法。ＥＳＮ能夠很好地辨識非線性系統，其計算時間、數據訓練和穩定性相對于傳統遞歸神經網絡有了較大進步，ＰＳＯ具有全局優化和較快的尋優速度。針對典型化工非線性對象連續攪拌槽反應器（ＣｏｎｔｉｎｕｅＳｔｉｒｒｅｄＴａｎｋＲｅａｃｔｏｒ，ＣＳＴＲ）的仿真實例表明，此模型在預測控制優于ＢＰ和ＰＳＯ結合的非線性預測控制，以及傳統的ＰＩＤ控制，證明了該算法運用于非線性模型預測控制中的有效性。

關　鍵　詞：模型預測控制；回聲狀態網絡（ＥＳＮ）；粒子群優化；反饋校正；ＣＳＴＲ

１　引　言
目前，線性的模型預測控制的理論研究已經比較成熟，將其運用于實際工業工程的強非線性對象會得不到滿意的控制效果。神經網絡能夠充分逼近任意復雜的非線性函數，因而神經網絡剛應用到控制領域就出現了基于神經網路的預測控制［１�玻玻荨Ｎ墨I［３］提出了基于ＢＰ網絡的非線性預測控制算法，存在的問題是ＢＰ網路的訓練較復雜和局部較小值以及神經網路拓撲結構的確定，且預測模型的預測精度不高。文獻［４］提出基于ＰＩＤ的預測控制算法，雖然算法簡單，但是控制效果并不好。回聲狀態網絡（ＥＳＮ）在非線性系統辨識方面較傳統的神經網絡有較大的改進［５�玻罚荨Ｔ诮浀涞模停幔悖耄澹��玻牵欤幔螅螅福床綐藯U預測問題的預測精度上已經有數量級的提高。粒子群優化（ＰＳＯ）算法是近年來發展起來的一種新的進化算法，是一種基于迭代的優化工具。ＰＳＯ有快速收斂、全局尋優和較高的運算精度的優點。為此，鑒于ＥＳＮ和ＰＳＯ這些方面的優點，本文提出一種基于ＥＳＮ和ＰＳＯ的非線性預測控制算法，通過仿真實例表明基于該算法的預測控制輸出能夠較好地跟蹤參考軌跡。

登錄網站后可下載文件