极大极小问题的信赖域法

对信赖域法作了进一步的研究，借助Min-max问题的伪方向导数．构造出其信赖域二次模型．并结合非单调策略．给出求解Min-max问题的简单易行的信赖域算法。

一种扰动自适应的鲁棒预测控制算法

针对实际生产中扰动的时变性,提出了一种扰动自适应的鲁棒预测控制(RAMPC)算法以提高扰动抑制性能。采用时间序列(ARMA)模型在线辨识系统的不可测扰动,通过基于多次迭代思想的递推辨识算法(multi-iteration pseudo-linear regression,MIPLR)来保证在线辨识的质量和收敛速度。考虑到数据与辨识模型的不确定性,改用min-max形式描述MPC算法的控制作用优化命题,并将在线辨识过程中的误差数据引入min-max命题,使在线辨识与控制作用鲁棒优化求解紧密结合起来,提高算法鲁棒性。进一步将此min-max问题转换为一个等效的非线性min问题,并采用多步线性化方法实现快速求解,解决了传统min-max方法在线计算负荷高的问题。仿真结果表明了该算法的有效性。

基于不确定偏好序信息的人岗匹配决策模型与计算

员工满意度是人岗匹配决策的重要依据.针对员工满意度是不确定偏好序的情形,以单个员工满意度最大最小为目标,建立了人岗匹配决策模型.在对模型求解进行分析的基础上,设计了算法A对模型进行求解,并通过分析得出了算法A的时间复杂性为4o(n).最后通过算例分析,验证了模型和算法的有效性.

考虑多种竞争情形的投资策略及其鲁棒性

在经典的马科维茨"均值-方差"最优投资组合框架的基础上,引入对多种竞争情形的预测,提出一种min-max投资策略,并证明其具有鲁棒性.

确定一组点中心的简单方法

本文所讨论的确定一组点中心问题是求平面上的一个圆环,它包含了平面上的一组给定的离散点,而使得圆环的宽度最小,这是一个非凸的不可微全局最优化问题,我们通过对其最优性条件的分析,说明此问题可由简单的穷举法来求解。

基于神经网络优化的鲁棒模型预测控制

在工业过程控制中,由于存在模型失配、不确定性和外部扰动等因素的影响,容易造成系统不稳定,影响控制效果。为提高控制系统鲁棒性,提出采用投影神经网络优化鲁棒模型预测控制问题。将鲁棒模型预测控制问题转化成min-max优化问题进行处理,并采用投影神经网络模型进行在线求解。该神经网络动态优化方法充分发挥了神经网络并行和分布式处理的优点,且简单结构易于电路实现,并具有全局收敛特性。通过多相流量计仿真实验,表明该算法的有效性和正确性。

带丢包和量化的参数不确定系统滚动时域估计

针对网络化系统中丢包、量化和参数不确定性对状态估计的影响,提出一种带有预测补偿机制的鲁棒滚动时域估计算法。将丢包现象描述为概率已知的随机Bernoulli序列,并利用丢失数据的预测值进行丢包补偿,将数据量化引入的量化误差描述为观测方程中的一个有界不确定参数,将模型的不确定性描述为系统矩阵受到随机扰动,基于滚动优化策略,考虑量化和模型不确定性影响最严重的情况,通过滚动求解一个min-max问题得到最优状态估计器。对所提算法进行稳定性分析,推导了估计误差范数平方期望的一个上界函数,给出了估计误差范数平方期望收敛的充分条件。最后,通过仿真验证了所提算法的有效性。

测量数据丢失的随机不确定系统滚动时域估计

研究存在传感器测量数据丢失的随机不确定系统状态估计问题,用概率已知的Bernoulli随机序列描述丢包现象,并采用丢失测量数据的预测值进行丢包补偿,将不确定条件下的最优化问题表示为Min-Max问题,并通过引入拉格朗日算子,将Min-Max问题转化为受限条件下的Min-Min问题,进而实现最优状态估计的求解.对所提算法的稳定性进行研究,推导出估计误差范数平方期望的上界,并给出估计误差范数平方期望收敛的充分条件.最后通过仿真验证所提算法的有效性.