基于SMPC的H∞优化问题的求解的方法..docxVIP

MACROBUTTON MTEditEquationSection2 SEQ MTEqn \r \h SEQ MTSec \r 1 \h SEQ MTChap \r 1 \h 标题：基于SMPC 的H∞优化问题的求解的方法 时间：2016-4-17 内容： 1.首先介绍一个简单的例子的MLD系统的推导方法 2.分析SMPC框架下的优化问题的线性化方法 3.根据系统模型以及线性化问题定义，在SMPC框架下推导得到具有场景信息的LP求解参数  目录 TOC \o 1-3 \h \z \u 1.例子： 3 2问题： 4 3.模型线性化、约束线性化 6   1.例子： 那么，关于条件 ，引入二进制变量 则有 结合 ，令 ，那么 通过逻辑变换规则，那么（2）式可以等效为 那么（1）式可以写成 设 ， 那么(3-4)式可以进一步等效为 那么(5)式可以进一步等效为 （6-7）可以被概括为MLD系统 其中， 其中，连续变量的维数为 ， 集合维数为 2问题： 在预测控制中，普遍采用二次型的优化性能指标，它对应于预测偏差的二范数，反应了对于输出值良好跟踪期望值的性能要求。 当控制要求侧重于良好的镇定性能，即所有的输出值都保持在设定值附近，不希望出现过大的偏差。用以刻画控制要求的更直接的数学度量是要极小化最有可能出现的最大偏差（min-max）,即 相当于将二次型性能指标推广到无情范数形式 其中，向量 的无穷范数定义为 当（11）中的无穷范数对空间（全部输出量）和时间（整个优化时域）双重取值时，其具体表达式就是（10）， 注意到，性能指标（10）具有线性形式，如果对应的模型和物理约束也是线性的，那么这一优化问题可以用线性规划方式求解。 即，当满足一下三点时可以通过LP进行求解： 性能指标线性化 模型线性化 约束线性化 性能指标线性化 （10）式涉及到极值和结对子项，与标准LP问题形式尚存在差距，需要将其转化成标准LP问题。 根据Morari M. Robust Model predictive Control.介绍的方法： 对于m个输入，p个输出的对象模型，预测时域长度为N。 设从k时刻起 个控制量 作用下对未来 步的输出闭环预测为 其中， 那么（13）式可以等价为 设k时刻的滚动优化问题是对输入输出有约束情况下的无穷范数有福问题： 引入 那么（16）可等效为 其中， 是 的第 个分量 为了将（10）式转变成线性规划问题，定义 显然，这一最优 值是满足 那么（18）可以等效为 其中， 是 的线性形式。 LP的标准形式为： 3.模型线性化、约束线性化 考虑离散线性离散时间系统 根据例子的方法，引入0-1变量 可将系统转变成，MLD形式的 其中，优化问题的无穷范数可以定义为 根据在例子中介绍的代换方法： 可以对（24）的约束可以作同样的变换： 实现代码: MLD.A = S.A; MLD.B1 = S.B; MLD.Bw = S.D*S.eps; MLD.C = S.C; 其中，S.A、S.B、S.C、S.D：是系统模型 MLD.E1 = [zeros(size(S.Ax,1),nu);-S.Au]; MLD.E4 = [S.Ax;zeros(size(S.Au,1),nx)]; MLD.E5 = [S.bx;S.bu]; MLD.Ew = zeros(size(MLD.E1,1),nw); ， ， 注意：程序中的 与（24）式约束相符合，即 其中，（28）式与文章“Control of systems integrating logic, dynamics,and constraints1 Alberto Bemporad, Manfred Morari*”的（10）式相符合； 注意到：在程序中，并没有考虑 ， 定义为空。 接下来获取LP求解过程参数： 实现代码: nu = size(B{1},2); nd = size(B2,2); %空 nz = size(B3,2); %空 nx = size(A{1},1); ne = size(E1,1); % Slack variables nq = N+N; % Here were assuming nu0, nx0, nz0 % u,delta variables no = (nu)*N; % total number of