基于PID神经元网络和内模控制拥塞控制算法.docVIP

基于PID神经元网络和内模控制拥塞控制算法 　　 (1.南京理工大学 自动化学院， 南京 210094；2.南京人口管理干部学院， 南京 210042) 　　 　　摘 要：针对网络系统的大时滞和非线性特性，设计了一种新的拥塞控制算法，将PID神经元网络与内模控制相结合应用于主动队列管理中，并使用Lyapunov理论证明了此算法的稳定性。NS仿真结果表明，这种算法的稳态和瞬态性能都优于PID算法，并且在参数变化和负载扰动时具有很强的鲁棒性。 　　关键词：网络拥塞控制; 主动队列管理; PID神经元网络; 内模控制 　　中图分类号：TP393文献标志码：A 　　文章编号：1001-?B3695(2009)04-?B1443-?B03 　　 　　Congestion control algorithm based on 　　PID neural network and internal model control 　　 　　HOU Ping1，2,WANG Zhi-quan1 　　(1.School of Automation, Nanjing University of Science Technology, Nanjing 210094, China;2.Nanjing College for Population Program Management, Nanjing 210042, China） 　　Abstract:This paper designed a new congestion control algorithm for large delay and nonlinear network systems.Applied proportional integral differential (PID) neural network controller and internal model control(IMC) in active queue management(AQM).Proved stability by Lyapunov theory. The simulation results show that this algorithm’s stability and transient performance are superior to PID algorithm. Moreover it possesses high robustness even when system parameter changes or network load fluctuates. 　　Key words:network congestion control; AQM(active queue management); PID neural network; IMC(internal model control) 　　 　　从控制理论的角度看，网络的拥塞控制算法可以被看做是一个复杂的动态、非线性、时滞的反馈系统。主动队列管理AQM（active queue management）机制是在路由器中间节点实现的拥塞控制。许多AQM算法[1~10]已经被提出来，然而已有的许多算法都是基于确定的线性化的TCP模型[11,12]，只在平衡点附近有效，由于TCP模型固有的非线性及Internet固有的动态本质，使得这些算法与动态的环境不相适应。同时上述AQM算法没有充分考虑网络延时对算法性能的影响，在提出这些算法的文献中也没有验证它们在大延时网络中的性能。文献[13]通过仿真实验证实了已有的几种典型算法控制的队列在大时滞网络中无一例外地出现了剧烈的振荡，导致瓶颈链路利用率下降和延时抖动加剧，并在进行适当模型拟合处理的基础上应用控制理论的内模补偿原理设计了鲁棒的延时补偿主动队列管理算法。但是这种算法仍然是针对固定模型的，具有一定的局限性。?? 　　1990年，Bhat和McAroy[14]将神经网络模型引入内模控制结构中，从而提出了一种非线性内模控制算法(NIMC)。基于神经网络的内模控制主要应用于对非线性对象、时滞对象以及难建模对象等的控制。PID神经元网络(PID nural network,PIDNN)是一种新的动态网络结构[13]。它将PID控制规律融入神经网络之中，实现了两者的本质结合，既具有PID控制的优点，又克服了一般神经网络的缺点。本文将PID神经元网络引入内模控制中，提出一种新算法PID神经元网络内模控制（PID neural network-internal model control,PIDNN-IMC）应用于主动队列管理中。利用PID神经元网络的动态特性充分逼近被控对象，