رویکردی عصبی-تطبیقی در طراحی کنترل کننده نزدیک به بهینه برای کلاسی از سیستم های مقید

این مقاله به طراحی کنترل کننده ای می پردازد که ضمن دستیابی به عملکردی نزدیک به بهینه، قابلیت برآورده سازی قیدهای خروجی را دارا باشد. این روش برای سیستم های غیرخطی مربعی با دینامیک داخلی پایدار طراحی می شود. برای این منظور، با استفاده از شاخص عملکرد اولیه و تقریب تیلور، مساله به صورت برنامه ریزی مقید تقریب زده می شود که قیدهای آن، به کمک تابع مانع کنترل برای برآورده سازی محدودیت های خروجی نوشته می شوند. بدین ترتیب، عملکردی نزدیک به بهینه و مقید، بدون برخورد به معادلات پیچیده همیلتون-ژاکوبی-بلمن به دست می آید. به منظور مقابله با نامعینی های مدل که در مساله بهینه سازی ظاهر می شود، ساختاری تطبیقی طراحی می شود. حل به هنگام بهینه سازی مقید نیز به وسیله شبکه عصبی بازگشتی تصویر صورت می گیرد. این امر منجر به دستیابی به پاسخی بسته می شود که سادگی پیاده سازی بدون نیاز به استفاده از محاسبه گرها و جعبه ابزارهای اضافی را به همراه دارد. پایداری سیستم حلقه بسته و برآوردگی قیدها به طور دقیق تحلیل شده-اند. در انتها نیز کارایی روش ارائه شده در تحقق اهداف یادشده با بررسی نتایج حاصل از شبیه سازی کنترل مسیر کشتی و تحلیلی مقایسه ای از پایدارسازی مقید آونگ نشان داده شده است. مثال شبیه سازی اول، کارایی روش را در ردیابی مقید نشان می دهد و مثال شبیه سازی دوم، موید عملکرد مناسب کنترل کننده در کاربردهای پایدارسازی و تنظیم است.

Keywords:

کنترل نزدیک به بهینه , کنترل مقید , تابع مانع کنترل , مدل تطبیقی , شبکه عصبی بازگشتی