多智能体粒子群优化的SVR模型预测控制_唐贤伦_李洋_李鹏_刘念慈多智能体粒子群优化的SVR模型预测控制_唐贤伦_李洋_李鹏_刘念慈.pdf

网络出版时间：2014-01-08 12:31 网络出版地址：/kcms/doi/10.13195/j.kzyjc.2012.1847.html 第 xx 卷 第 x 期 控 制 与 决 策 201x 年 x 月 Vol. xx No. x Control and Decision xxx. 201x 文章编号: 1001-0920 (0000) 00-0000-00 DOI: 10.13195/j.kzyjc.2012.1847 多智能体粒子群优化的 SVR 模型预测控制 唐贤伦, 李 洋, 李 鹏, 刘念慈 (重庆邮电大学 工业物联网与网络化控制教育部重点实验室，重庆 400065) 摘 要: 参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著, 鉴于此, 提出一种多智能体粒子群算 法 (MAPSO) 寻优其参数的方法, 并建立 MAPSO 支持向量回归模型, 用于非线性系统的模型预测控制, 推导出最优 控制率. 采用该算法对非线性系统进行仿真, 并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测 控制方法和 RBF 神经网络的预测控制方法进行比较, 结果表明, 所提出的算法具有更好的控制性能, 可以有效应用 于非线性系统控制中. 关键词: 支持向量回归机；多智能体；粒子群优化；模型预测控制 中图分类号: TP273 文献标志码: A Model predictive control based on SVR optimized by multi-agent particle swarm optimization algorithm TANG Xian-lun, LI Yang, LI Peng, LIU Nian-ci (Key Laboratory of Industrial Internet of Things Networked Control，Ministry of Education，Chongqing University of Posts and Telecommunications，Chongqing 400065，China．Correspondent：TANG Xian-lun，E-mail: tangxlun@) Abstract: The prediction accuracy and generalization ability of the support vector regression(SVR) model depend on a proper setting of its parameters to a great extent. An optimal selection approach of SVR parameters is propose