本文關(guān)鍵詞：基于DSP嵌入式平臺(tái)的快速模型預(yù)測(cè)控制算法，，由筆耕文化傳播整理發(fā)布。

【摘要】：模型預(yù)測(cè)控制(Model Predictive Control,簡(jiǎn)稱MPC)由于其模型預(yù)測(cè)、滾動(dòng)優(yōu)化、反饋校正的鮮明特點(diǎn),使其成為處理復(fù)雜過程多變量控制的有效算法,在石油、化工等過程領(lǐng)域中獲得了大量成功應(yīng)用。MPC最大的吸引力在于它具有顯式處理約束的能力,這種能力來自其基于模型對(duì)系統(tǒng)未來動(dòng)態(tài)行為的預(yù)測(cè),把優(yōu)化性能指標(biāo)和未來輸入、輸出或狀態(tài)的約束歸結(jié)為二次規(guī)劃問題。然而約束優(yōu)化問題是在線求解的,涉及到很大的計(jì)算時(shí)間和計(jì)算資源,使得MPC難以應(yīng)用于快速動(dòng)態(tài)系統(tǒng)和計(jì)算資源受限場(chǎng)合。這一問題吸引了控制與數(shù)學(xué)領(lǐng)域內(nèi)的大批學(xué)者進(jìn)行研究,如在線優(yōu)化算法(內(nèi)點(diǎn)法、有效集法等)的改進(jìn)或近似處理,顯式預(yù)測(cè)控制之類的離線算法。但現(xiàn)有的快速M(fèi)PC算法在優(yōu)化算法迭代的收斂性、方程組求解的策略,以及在線離線相結(jié)合等方面缺乏更深入的研究,不能最大程度上壓縮MPC優(yōu)化命題的求解時(shí)間,難以滿足不同應(yīng)用場(chǎng)合的需求。針對(duì)上述問題,本文從迭代終止策略,離線與在線算法相結(jié)合、矩陣更新策略求解線性方程組三個(gè)方面,進(jìn)行了面向嵌入式平臺(tái)的快速M(fèi)PC算法的研究,主要研究成果如下：(1)針對(duì)內(nèi)點(diǎn)算法求解經(jīng)常陷入計(jì)算代價(jià)遠(yuǎn)遠(yuǎn)大于解精度改善的場(chǎng)景,本文提出了基于收斂深度控制(Convergence Depth Control,簡(jiǎn)稱CDC)的快速M(fèi)PC算法。該算法實(shí)時(shí)監(jiān)測(cè)求解過程迭代點(diǎn)的收斂深度和進(jìn)展程度,從而實(shí)現(xiàn)及時(shí)終止求解、節(jié)省計(jì)算耗時(shí)的目的。DSP平臺(tái)測(cè)試結(jié)果表明,相比于基于傳統(tǒng)迭代終止策略的算法,該算法的平均求解時(shí)間可以減少50%,即使在最差情況下也可以減少30%以上的求解時(shí)間。(2)針對(duì)現(xiàn)有在線與離線相結(jié)合算法存在搜索效率較慢且分區(qū)分布不均衡的問題,本文提出了基于k-d tree離線計(jì)算與在線優(yōu)化結(jié)合的快速M(fèi)PC算法。該算法采用k-d tree來存儲(chǔ)參數(shù)規(guī)劃中的分區(qū)信息,在線操作只需要查找參數(shù)點(diǎn)對(duì)應(yīng)的分區(qū)；當(dāng)分區(qū)信息無法查到時(shí)通過在線求解小規(guī)模的優(yōu)化命題來得到控制變量并對(duì)k-d tree進(jìn)行更新。仿真結(jié)果表明,該算法可以將求解速度平均提高6倍以上,最差情況下也能加速2倍以上。(3)針對(duì)有效集算法每次迭代求解類似方程組的特點(diǎn),本文提出了基于矩陣迭代更新策略的快速M(fèi)PC算法。該算法采用Weighted Gram-Schmidt矩陣迭代更新方法進(jìn)行方程組求解,避免了頻繁的矩陣分解占用大量時(shí)間,提高了求解速度。PC平臺(tái)和DSP平臺(tái)的測(cè)試結(jié)果表明了該算法的有效性。
【關(guān)鍵詞】：快速預(yù)測(cè)控制 二次規(guī)劃 內(nèi)點(diǎn)法 有效集法 收斂深度控制 DSP
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP273
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-11
• 第一章 緒論11-21
• 1.1 引言11
• 1.2 模型預(yù)測(cè)控制的基本原理與特征11-13
• 1.2.1 預(yù)測(cè)模型12
• 1.2.2 滾動(dòng)優(yōu)化12
• 1.2.3 反饋校正12-13
• 1.3 模型預(yù)測(cè)控制的研究熱點(diǎn)13-15
• 1.3.1 經(jīng)濟(jì)模型預(yù)測(cè)控制(Economic Model Predictive Control)13-14
• 1.3.2 分布式預(yù)測(cè)控制(Distributed Model Predictive Control)14
• 1.3.3 快速模型預(yù)測(cè)控制(Fast Model Predictive Control)14-15
• 1.4 快速模型預(yù)測(cè)控制研究現(xiàn)狀綜述15-18
• 1.4.1 顯式預(yù)測(cè)控制(Explicit MPC)15-16
• 1.4.2 在線MPC算法16-17
• 1.4.3 離線與在線相結(jié)合的算法17-18
• 1.5 研究?jī)?nèi)容與結(jié)構(gòu)安排18-21
• 第二章 基于收斂深度控制的快速M(fèi)PC算法21-43
• 2.1 引言21-22
• 2.2 基于控制增量的狀態(tài)空間MPC算法22-23
• 2.3 原始對(duì)偶內(nèi)點(diǎn)法23-25
• 2.4 收斂深度控制準(zhǔn)則(CDC)25-29
• 2.4.1 迭代終止準(zhǔn)則25-26
• 2.4.2 收斂深度控制26-29
• 2.5 基于收斂深度控制(CDC)的快速M(fèi)PC算法29-31
• 2.6 QP求解的嵌入式實(shí)現(xiàn)細(xì)節(jié)31-34
• 2.6.1 最優(yōu)性檢查(Global Check)31
• 2.6.2 優(yōu)化初值給定(Starting Point)31-32
• 2.6.3 線性方程組的求解32-34
• 2.6.4 計(jì)算精度選取34
• 2.7 硬件在環(huán)仿振(HIL)實(shí)驗(yàn)34-42
• 2.7.1 硬件平臺(tái)34-36
• 2.7.2 案例一：旋轉(zhuǎn)天線36-39
• 2.7.3 案例二：倒立擺39-42
• 2.8 小結(jié)42-43
• 第三章 基于k-d tree離線計(jì)算與在線優(yōu)化結(jié)合的快速M(fèi)PC算法43-63
• 3.1 引言43-44
• 3.2 顯式預(yù)測(cè)控制介紹44-47
• 3.3 基于K-D tree的離線在線結(jié)合方法47-56
• 3.3.1 PE方法的局限性分析47-49
• 3.3.2 K-D tree49-51
• 3.3.3 算法實(shí)現(xiàn)細(xì)節(jié)51-56
• 3.4 仿真實(shí)驗(yàn)56-60
• 3.4.1 隨機(jī)模型57-58
• 3.4.2 共聚合反應(yīng)堆對(duì)象58-60
• 3.5 小結(jié)60-63
• 第四章 基于矩陣迭代更新策略的快速M(fèi)PC算法63-81
• 4.1 引言63
• 4.2 有效集法介紹63-67
• 4.2.1 有效集64
• 4.2.2 有效集法64-67
• 4.3 基于Weighted Gram-Schmidt分解的矩陣迭代更新策略67-73
• 4.3.1 ASM中方程組的求解與矩陣更新策略67-69
• 4.3.2 Weighted Gram-Schmidt分解方法69-71
• 4.3.3 工作集變化后的矩陣分解更新策略71-73
• 4.4 基于矩陣迭代更新策略的快速M(fèi)PC算法73-75
• 4.5 仿真實(shí)驗(yàn)75-79
• 4.5.1 PC平臺(tái)測(cè)試75-77
• 4.5.2 DSP平臺(tái)測(cè)試77-79
• 4.6 小結(jié)79-81
• 第五章 總結(jié)與展望81-83
• 參考文獻(xiàn)83-88
• 攻讀碩士學(xué)位期間獲得的研究成果88

【參考文獻(xiàn)】

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 萬嬌娜;基于有限精度求解的非線性預(yù)測(cè)控制算法研究[D];浙江大學(xué);2011年

  本文關(guān)鍵詞：基于DSP嵌入式平臺(tái)的快速模型預(yù)測(cè)控制算法，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：292682