摘要：针对现有催化裂化(FCC)装置操作优化中未根据市场需求考虑多产品收率约束的问题,本文提出了一种求解多产品收率约束催化裂化反再系统操作优化的改进差分进化(iDE)算法.首先针对FCC操作优化中约束多和不同操作变量的可行范围差异大的特点,设计了一种协同交互变异策略产生变异个体,以提高算法的开发和探索能力;其次提出了一种具有修复功能的参数自适应策略来更新变异因子和交叉因子.此外考虑到FCC操作优化具有时效强的特点,提出了对每一代种群中最好个体实施加强搜索的方法,以提高算法的收敛速度.仿真结果表明:在求解多产品收率的FCC反再系统操作优化问题上,该算法具有较强的全局寻优能力、鲁棒性以及较快的收敛速度.

摘要：对于一类参数未知的多变量周期系统,传统自适应控制方法存在参数收敛慢的问题,导致系统暂态响应差、控制效果不理想.因此,本文针对多变量周期系统设计了多模型二阶段自适应控制器.首先根据先验知识,确定不确定区域范围,并在不确定区域内建立多个自适应模型.然后根据李雅普诺夫理论得到第一阶段辨识方程;在第二阶段中,充分考虑辨识误差并确定了权值自适应律,以此获取虚拟模型以提高参数的收敛速度.接着,利用得到的虚拟模型参数设计了二阶段自适应控制器,在保证了系统稳定性的基础上,提高了系统的暂态性能.最后,给出的仿真结果表明多模型二阶段自适应控制器提高了参数的收敛速度,改善了系统的暂态性能.

摘要：针对具有数据包丢失的网络化控制系统跟踪控制问题,提出一种非策略Q-学习方法,完全利用可测数据,在系统模型参数未知并且网络通信存在数据丢失的情况下,实现系统以近似最优的方式跟踪目标.首先,刻画具有数据包丢失的网络控制系统,提出线性离散网络控制系统跟踪控制问题;然后,设计一个Smith预测器补偿数据包丢失对网络控制系统性能的影响,构建具有数据包丢失补偿的网络控制系统最优跟踪控制问题;最后,融合动态规划和强化学习方法,提出一种非策略Q-学习算法.算法的优点是:不要求系统模型参数已知,利用网络控制系统可测数据,学习基于预测器状态反馈的最优跟踪控制策略;并且该算法能够保证基于Q-函数的迭代Bellman方程解的无偏性.通过仿真验证所提方法的有效性.

摘要：现代工业过程机理复杂使得很难对生产过程以及运行指标与被控变量之间关系精确建模.如何基于工业运行过程数据信息,不依赖模型参数给出设定值设计方案,优化运行指标是一挑战性难题.本文针对在稳态附近可以线性化的一类工业过程,考虑运行控制环和底层控制环不同时间尺度,提出一种基于Q--学习方法的次优设定值学习算法.此算法完全利用数据,学习得到次优设定值,实现运行指标以次优的方式跟踪理想值.浮选过程仿真结果表明本文所提方法的有效性.

摘要：针对成品油二次配送路径优化问题,提出了一种可变成本与动态载荷相关的评价指标。考虑蚁群算法求解路径优化问题的高效性,设计了一种等级反馈蚁群(HFAC)算法。采用局部距离等级策略代替基本蚁群算法的随机选取;利用较优(较差)个体对其所在路线进行正(负)反馈调整信息素浓度;对最优路线的子路线进行末端优化调整。通过15组不同类型算例进行仿真实验表明,HFAC算法在成品油二次配送路径优化中优于基本蚁群算法。

摘要：针对含未建模动态和参数跳变的离散时间系统,传统的鲁棒自适应控制算法不能保证良好的暂态性能。为此,提出了多模型鲁棒自适应控制方法。该控制方法基于算法修正的鲁棒化再设计,采用正则化与参数投影相结合,处理未建模动态,可以消除系统的稳态误差。针对参数发生跳变的情况,该方法在系统低阶模型的基础上采用多个模型子集覆盖参数的变化范围,通过多模型集的建立减少参数变化的不确定性,不但可以减少参数跳变系统的暂态时间,而且能够改善暂态性能。最后,通过稳定性分析和仿真实验证明,所提方法能加快系统的响应速度,提高系统的暂态性能,消除稳态误差。

摘要：针对工业调节阀中广泛存在的粘滞现象,提出一种改进的二叉树模型,并分别采用模糊内模Smith控制方法与改进的Knocker信号方法进行补偿。首先对原二叉树模型进行改进,并增加对输入信号变化率的判断条件。设计基于模糊原理的Smith内模控制系统,将内模与模糊原理结合实现参数的自整定,减少系统震荡;在经典的Knocker信号补偿基础上添加阈值判断,在补偿粘滞的同时,还可从理论上减少阀门的频繁动作,增加阀门的使用寿命。仿真结果表明,改进后的模型能有效描述粘滞特性,两种方法均可有效补偿粘滞问题,提升系统性能。