基于神经网络的二次规划问题的指数稳定性

针对带有边界约束的凸二次规划问题,利用离散神经网络模型的建模原理,构造了一个神经网络模型.利用矩阵与对称矩阵的关系和正定矩阵特征值的性质,通过引入一个适当的因子,得到了该离散型神经网络模型是全局指数稳定性和指数收敛率的结果.同时分析了该结果的优越性和存在的不足,提出了解决的3种方法,最后给出了实例说明本方法取得结果的实用性.

宏观经济二次最优合理预期模型

针对宏观经济二次最优合理预期建模问题，依据乘数－加速原理，构造了联立方程框架，给出了中国宏观经济二次最优合理预期简单模型参数的最大似然估计及均衡轨道仿真结果．验证了建模理论正确性．

二次规划问题的神经网络方法及其数值仿真

针对具有边界约束的凸二次规划问题,利用离散神经网络模型的建模原理,构造了一个新的离散投影神经网络模型。为了优化求解,运用李亚普诺夫稳定性理论,通过构造一个新的广义李亚普诺夫函数,得到了神经网络模型全局指数稳定的线性矩阵不等式条件。同时将结果的保守性与传统方法所得结果进行了比较。数值仿真表明,改进方法采用新条件,有求解方便,保守性弱的特点,具有较强的实用性。

基于能耗最优化的动力定位推力分配逻辑算法研究(英文)

文章为动力定位系统执行器的设计提供了两种推力分配最优化的求解方法,旨在寻求一种理想的推力器输出,包括推力与方位角,以维持动力定位系统能力。通过求解非线性约束最优化问题,得出时效性、稳定性与可控制性强的推力分配模块。文中采用一个或若干个合适的结构矩阵来描述推力器的位置及其性能,采用不同的边界条件对系统要求进行描述,如降低推力损失等。基于一个简单的算例,分别采用遗传算法和序列二次方法进行求解,改变约束条件并分析程序运行结果,对比信号输出及其能耗情况,论证两种算法的可行性与稳定性。文中还对比了五种不同的情况,包括约束条件以及算法的变化,以满足不同的应用需求。

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function,RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。

一种基于线性近似的非线性系统模型预测控制方法

针对一类系统模型的输入输出函数不满足连续可导条件的非线性系统,设计了一种基于线性近似的模型预测控制方案。运用Stirling插值公式对非线性函数进行线性近似处理,并将模型预测控制性能指标重构为一个二次型最优化问题,通过对二次型最优化问题的求解得到了模型预测控制的最优控制序列。为了减少计算量,忽略了线性近似过程中产生的非线性高阶项。仿真结果表明,该模型预测控制方案控制效果满意,且具有降低控制能量消耗和缩短控制时间的优点。