CN105701332A - 基于多因素复杂控制问题的特征值非精确优化方法 - Google Patents
基于多因素复杂控制问题的特征值非精确优化方法 Download PDFInfo
- Publication number
- CN105701332A CN105701332A CN201510943476.3A CN201510943476A CN105701332A CN 105701332 A CN105701332 A CN 105701332A CN 201510943476 A CN201510943476 A CN 201510943476A CN 105701332 A CN105701332 A CN 105701332A
- Authority
- CN
- China
- Prior art keywords
- rho
- parameter
- iteration
- delta
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于多因素复杂控制问题的特征值非精确优化方法,所述方法用优化方法解决控制领域问题,定义函数f和c的近似割平面模型,在引入第l个改进函数的割平面模型后,进行特征值非精确优化方法设计和计算。本发明在建立数学模型和数值准确性之间寻找平衡,广泛的应用于机器人设计、反Chebyshev逼近、最优时间控制、中心设计、滤波器设计中的信号处理、竞争决策中。
Description
技术领域
本发明属于自动化控制技术领域,具有涉及一种基于多因素复杂控制问题的特征值非精确优化方法。
背景技术
自动化控制领域,智能控制问题涉及工业、农业以及国民生活的各个方面,在控制过程中,因环境因素的变化而对控制参数的智能调节问题是控制人员面临的一个难题,特别在基因扩增控制过程中,DNA环境因素影响着控制过程的参数调节,在控制过程中,需要找到一个普遍的非精确优化方法,于是需要求解一类非精确优化问题:
minf(x)
s.tc(x)≤0,
其中f(x),c(x)都是非光滑函数。众所周知,即便是非光滑无约束问题很难直接求解。求解非精确优化问题的方法可简单的分为:次梯度方法、割平面方法、解析中心割平面方法、束方法。束方法和解析中心割平面方法可认为是割平面方法的的改进版本,且更加稳定、可靠。其中,解析中心割平面方法是基于一种给定的分离信息程序,所以在某种程度上该方法不是基于Oralce。Lemarechal和Wolfe在1975年分别提出了求解凸优化问题的束方法。其后,学者们设计出了一系列杰出的束方法,但是这些方法都是基于精确的函数值和次梯度信息,也就是精确束方法。
直到2001年,Hintermuller提出了一个基于非精确次梯度信息的近迫束方法。Kiwiel给出了一个改进的束方法,该方法同样只是基于非精确次梯度信息。以上算法都只是针对非光滑凸问题,目前还没有求解非精确优化问题优化方法。
发明内容
为了克服现有技术的不足,提出了一种基于多因素复杂控制问题的特征值非精确优化方法,所述方法用优化方法解决现实问题,最重要的是需要在建立数学模型和数值准确性之间寻找平衡。需要越多的信息,往往这个模型就越难求解。因此,非精确束方法有着更广泛的应用,且本发明的数学模型可以广泛的应用于机器人设计、反Chebyshev逼近、最优时间控制、中心设计、滤波器设计中的信号处理、竞争决策中。
本发明的技术方案为:基于多因素复杂控制问题的特征值非精确优化方法,所述方法用优化方法解决控制领域问题,定义函数f和c的近似割平面模型:
其中
有了以上函数,引入如下的第l个改进函数的割平面模型:
初始步:
选取初始点y0,令x0=y0,用Oracle计算非精确函数值以及非精确次梯度令下降步指标k=k(l)=0,迭代指标l=0,指标集
Step1(计算迭代点):
为了得到迭代点yl+1,计算下面的二次规划:
由此,计算预测下降量
并通过Oracle计算以及
Step2(束更新):
计算新的束信息:
相应地更新,
最后,选择新的迭代指标集
Step3(下降步测试):
如果δl≤tolstop则迭代停止,否则试探如下的下降步测试:
如果yl+1满足上面的式子,则yl+1是下降步,则令xk+1=yl+1,k(l+1)=k+1,k=k+1,以及否则令xk+1=xk,k(l+1)=k,
Step4(更新凸化参数):
其中
更新迭代指标,令l=l+1,
Step5(更新迫近参数):
如果满足如下不等式同时满足,
则此迭代点被认为是不可接受的,需要快速的增加迫近参数μl+1
μl+1=N1μl.
其中,
参数m∈(0,1),M0>0,N0>1,N1>1,初始迫近参数μ0,初始凸化参数ρ0,迭代终止参数tolstop=10-6;
重新设置参数以及束信息:
ρ0=ρl+1,μ0=μl+1,x0=xk,k=l=0,
否则,令μl+1=μl,转入Step1。
本发明有益效果
1)本发明所述方法用优化方法解决控制所面临的问题,在建立数学模型和数值准确性之间寻找平衡。
2)本发明在控制领域有着更广泛的应用,本发明的数学模型可以广泛的应用于机器人设计、反Chebyshev逼近、最优时间控制、中心设计、滤波器设计中的信号处理、竞争决策中。
3)本发明使用非精确信息,且函数值和次梯度信息都是非精确的。
具体实施方式
本发明应用于一类重要的非精确优化问题,即目标函数f(x)和约束函数c(x)都是非凸函数。本方法引入了改进函数
其中xk是下降步,也称为迭代中心。通过改进函数,将非精确优化约束问题转化成更容易求解的非光滑无约束问题
本发明使用非精确信息,且函数值和次梯度信息都是非精确的。在我们的束方法中使用入下的信息:
其中以及ηx,γx是非精确参数。
在描述非精确迫近束方法之前,首先有如下的信息:
其中yi是迭代点,xk是迭代中心。然后,如下的线性化误差:
为了处理非凸函数,在线性化误差中加入了二次项,
其中ρl是凸化参数,且遵循以下原则
其中和是对应的指标集。通过该策略,可以保证和都是非负的。
本发明在引入如下的第l个改进函数的割平面模型后,就可以进行分析计算,计算的步骤为。
第0部,即,初始步:
在本步骤的计算中,首先选取初始数据点,以便计算迭代点,如,选取初始点y0,令x0=y0,用Oracle计算非精确函数值以及非精确次梯度令下降步指标k=k(l)=0,迭代指标l=0,指标集
Step1(计算迭代点):
为了得到迭代点yl+1,计算下面的二次规划:
由此,计算预测下降量
并通过Oracle计算以及
Step2(束更新):
计算新的束信息:
相应地更新,
最后,选择新的迭代指标集
Step3(下降步测试):
如果δl≤tolstop则迭代停止,否则试探如下的下降步测试:
如果yl+1满足上面的式子,则yl+1是下降步,则令xk+1=yl+1,k(l+1)=k+1,k=k+1,以及否则令xk+1=xk,k(l+1)=k,
Step4(更新凸化参数):
其中
更新迭代指标,令l=l+1,
Step5(更新迫近参数):
如果满足如下不等式同时满足,
则此迭代点被认为是不可接受的,需要快速的增加迫近参数μl+1
μl+1=N1μl.
其中,
参数m∈(0,1),M0>0,N0>1,N1>1,初始迫近参数μ0,初始凸化参数ρ0,迭代终止参数tolstop=10-6;
重新设置参数以及束信息:
ρ0=ρl+1,μ0=μl+1,x0=xk,k=l=0,
否则,令μl+1=μl,转入Step1。
在本发明的算法中,引了入改进函数,将约束问题转化为无约束问题,使问题简单化,为了非精确束方法的收敛性,在割平面模型中加入二次项,以确保束方法的快速收敛,使用非精确函数值和非精确次梯度信息,能更好的解决复杂的模型,如半无限问题、两阶段随机规划问题。
Claims (1)
1.基于多因素复杂控制问题的特征值非精确优化方法,其特征是:所述方法用优化方法解决控制领域问题,定义函数f和c的近似割平面模型:
其中
有了以上函数,引入如下的第l个改进函数的割平面模型:
初始步:
选取初始点y0,令x0=y0,用Oracle计算非精确函数值以及非精确次梯度令下降步指标k=k(l)=0,迭代指标l=0,指标集
Step1(计算迭代点):
为了得到迭代点yl+1,计算下面的二次规划:
由此,计算预测下降量
并通过Oracle计算以及
Step2(束更新):
计算新的束信息:
相应地更新,
最后,选择新的迭代指标集
Step3(下降步测试):
如果δl≤tolstop则迭代停止,否则试探如下的下降步测试:
如果yl+1满足上面的式子,则yl+1是下降步,则令xk+1=yl+1,k(l+1)=k+1,k=k+1,以及否则令xk+1=xk,k(l+1)=k,
Step4(更新凸化参数):
其中
更新迭代指标,令l=l+1,
Step5(更新迫近参数):
如果满足如下不等式同时满足,
则此迭代点被认为是不可接受的,需要快速的增加迫近参数μl+1
μl+1=N1μl.
其中,
参数m∈(0,1),M0>0,N0>1,N1>1,初始迫近参数μ0,初始凸化参数ρ0,迭代终止参数tolstop=10-6;
重新设置参数以及束信息:
ρ0=ρl+1,μ0=μl+1,x0=xk,k=l=0,
否则,令μl+1=μl,转入Step1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510943476.3A CN105701332A (zh) | 2015-12-17 | 2015-12-17 | 基于多因素复杂控制问题的特征值非精确优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510943476.3A CN105701332A (zh) | 2015-12-17 | 2015-12-17 | 基于多因素复杂控制问题的特征值非精确优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701332A true CN105701332A (zh) | 2016-06-22 |
Family
ID=56228233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510943476.3A Pending CN105701332A (zh) | 2015-12-17 | 2015-12-17 | 基于多因素复杂控制问题的特征值非精确优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701332A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109794939A (zh) * | 2019-02-19 | 2019-05-24 | 宁波凯德科技服务有限公司 | 一种焊接机器人运动规划并行束方法 |
-
2015
- 2015-12-17 CN CN201510943476.3A patent/CN105701332A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109794939A (zh) * | 2019-02-19 | 2019-05-24 | 宁波凯德科技服务有限公司 | 一种焊接机器人运动规划并行束方法 |
CN109794939B (zh) * | 2019-02-19 | 2022-02-08 | 宁波凯德科技服务有限公司 | 一种焊接机器人运动规划并行束方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN103839057B (zh) | 一种锑浮选工况识别方法及*** | |
CN102629286B (zh) | 一种基于智能算法的高炉布料数值模拟方法 | |
CN105069476A (zh) | 基于两阶段集成学习的风电异常数据识别方法 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN105353607B (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
CN102682219A (zh) | 一种支持向量机短期负荷预测方法 | |
CN103744292B (zh) | 一种基于数据驱动的稀土萃取过程动态操作控制方法 | |
CN102778843B (zh) | 一种强磁选别过程运行控制方法 | |
CN103020711A (zh) | 分类器训练方法及其*** | |
CN104318090A (zh) | 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法 | |
CN104298214A (zh) | 一种高炉铁水生产过程综合优化控制方法 | |
CN105676637B (zh) | 基于预测函数控制的分子量输出pdf控制方法 | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
CN105701332A (zh) | 基于多因素复杂控制问题的特征值非精确优化方法 | |
CN104076831A (zh) | 基于广义预测控制优化的水箱液位控制方法 | |
CN110246547A (zh) | 一种烧结过程配矿优化方法 | |
CN104749954B (zh) | 基于内模控制策略的智能灰箱控制***装置及控制方法 | |
CN107728481B (zh) | 一种基于模型预测控制的闭环建模方法及装置 | |
CN104318313B (zh) | 基于案例推理的选矿全流程运行指标智能决策***及方法 | |
CN103412486A (zh) | 一种聚氯乙烯汽提过程智能控制方法 | |
CN102662324A (zh) | 槽式反应器基于在线支持向量机的非线性模型预测控制方法 | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新***及方法 | |
CN109491385A (zh) | 基于elm的自动驾驶列车车速跟随的控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160622 |
|
RJ01 | Rejection of invention patent application after publication |