摘要：针对一类单输入单输出(single-input-single-output,SISO)非线性极值系统的控制问题,提出了一种二阶输出反馈滑模极值搜索控制方法。考虑到此系统的状态量不可测,利用斜坡函数作为输出量的参考跟踪信号,以系统的输出跟踪误差及其微分信号构建切换函数,设计出二阶滑模极值搜索控制律。稳定性分析证明了在任意初始条件下,该方法可使系统的输出量全局收敛至其期望极值的任意小邻域内且所有状态量均是一致范数有界。仿真结果验证了该方法的有效性。

摘要：将基于反馈学习的粒子群(Feedback Learning Particle Swarm Optimization,FLPSO)算法引入极值搜索控制中,并且应用经典跟踪参考信号的方法,进一步改善极值搜索控制的性能.仿真结果显示,算法使系统控制输出平稳,并且系统性能输出快速渐进收敛到最优值,改善了基于格拉姆矩阵设计的极值搜索控制算法中存在的输出震荡问题.

摘要：常规主动刹车系统采用在线辨识跑道特征的算法,但仍需依赖摩擦模型先验知识,难以应对复杂跑道工况.为克服上述问题,提出一种滑模极值搜索控制策略并应用于无人机全电式自主刹车系统.考虑电动作动机构非线性特性,建立系统的状态空间模型并合理简化为严格反馈形式,采用超扭曲算法估计结合系数的梯度,结合反馈线性化控制律得到刹车压力参考值,证明此控制作用下可实现对未知最优滑移率的渐近跟踪.采用反演控制的思想设计无抖振滑模控制器实现对参考刹车压力的跟踪.利用Lyapunov方法获得系统的渐近稳定性条件并分析控制参数对系统的影响.半实物仿真试验结果表明控制策略的有效性.

摘要：提出一种利用粒子群优化算法进行在线寻优的自适应控制算法,该方法可抑制极限环的振荡幅值.应用极值搜索控制的思想,在线测量极限环的振荡幅度,并将其作为优化目标,利用粒子群优化算法寻找最优控制量,使得极限环的振荡幅值最小.针对粒子群优化和极限环控制的特点,提出一种加快收敛的算法.数值实验表明,提出的算法不仅与传统基于摄动方法的极值搜索控制性能相当,而且可对非凸和不光滑目标函数进行在线寻优,鲁棒性更强.

摘要：针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。