CN106371318B - 基于合作博弈的设施环境多目标优化控制方法 - Google Patents
基于合作博弈的设施环境多目标优化控制方法 Download PDFInfo
- Publication number
- CN106371318B CN106371318B CN201610965089.4A CN201610965089A CN106371318B CN 106371318 B CN106371318 B CN 106371318B CN 201610965089 A CN201610965089 A CN 201610965089A CN 106371318 B CN106371318 B CN 106371318B
- Authority
- CN
- China
- Prior art keywords
- control
- target
- subsystem
- time
- facility
- 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.)
- Expired - Fee Related
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 208000001613 Gambling Diseases 0.000 claims description 33
- 230000008901 benefit Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于合作博弈的设施环境多目标优化控制方法,它包括以下步骤:S1、建立设施环境的三个控制目标:环境参数‑温湿度控制目标、能耗控制目标以及控制设备物理极限性,即设备损耗控制目标;S2、建立合作博弈模型,采用基于合作博弈模型的多目标模型预测控制方法对前述设施环境的三个控制目标的进行处理,得到每个控制目标的优化函数;S3、求解所得的目标的优化函数,获取各目标函数的最优控制量。本发明借鉴博弈论思想,将各个控制目标看作各个博弈方,通过建立合作竞争模型,使得每个博弈方在考虑个人利益的同时也兼顾他人利益,从而解决多目标冲突问题。
Description
技术领域
本发明涉及智能农业领域,尤其是一种基于合作博弈的设施环境多目标优化控制方法。
背景技术
目前,以现代化农业生产方式、集成应用感知识别技术、监控技术、通信网络技术、云计算与大数据技术等泛在网(互联网、物联网)技术为显著特征,实现农业生产过程的智能控制、智慧生产、农产品全程质量控制和可追溯,是农业4.0所体现的智能化、产业化、标准化的高效集约、绿色低碳现代农业业态。设施农业是现代农业发展的象征,是当今世界最具活力的产业之一,也是世界各国用以提供新鲜农产品的主要技术措施,而农业4.0所倡导的智能(环境)控制是其关键技术。
一般地,设施环境中的主要控制方法为PID(Proportion IntegrationDifferentiation)控制和模糊控制,近年来,由于模型预测控制(Model PredictiveControl,MPC)技术的发展及其在工业过程中显现出的处理复杂约束优化控制问题的巨大潜力,使得MPC的应用从传统的工业过程,例如炼油、石化、化工行业,延伸到电力、钢铁、船舶、环境、医疗、农业等领域。传统的温室控制仅考虑单目标的控制,即要求设施环境的温度、湿度、光照及营养等因子达到一个合适的值,而对能耗等其他因素以及设备的物理极限性等其他控制目标缺乏考虑,导致在理论上的优化控制算法由于运行成本高而不能有效应用于实际设施环境中。因此,在设施环境控制中,考虑生产能耗以及设备损耗显得尤为重要。而既能保证作物生长所需的最佳环境,从而使得作物产量最高,又能够有效降低温室生产的能耗和生产成本,从而获得更大的经济效益,这样的控制策略正受到越来越多的关注。由此可见,设施环境的控制实际上是一个多目标控制问题。
在多目标优化设计中,各目标相互之间一般是冲突的,例如,在设施环境控制中,精确控制与控制能耗之间。为了调和这些冲突,就需要以某种方式来解决各目标之间的矛盾。而博弈论是研究决策主体的行为在直接相互作用时,如何进行决策以及这种决策如何达到均衡的问题,目前博弈论在工程设计领域的应用已经越来越多。鉴于多目标优化问题和博弈问题的相似性,可以将博弈论思想和方法引入到多目标优化设计问题的求解之中,以克服传统多目标优化设计问题求解方法的不足。
发明内容
本发明的目的是针对设施环境中的多目标控制问题,提出一种基于合作博弈的设施环境多目标优化控制方法。根据控制目标,将整体控制***分解为若干个子***,每个子***通过优化各自的目标函数求得***整体最优。为了实现各个控制目标的均衡求解,借鉴博弈论思想,将各个控制目标看作各个博弈方,通过建立合作竞争模型,使得每个博弈方在考虑个人利益的同时也兼顾他人利益,从而解决多目标冲突问题。
本发明的技术方案是:
一种基于合作博弈的设施环境多目标优化控制方法,它包括以下步骤:
S1、建立设施环境的三个控制目标:环境参数-温湿度控制目标、能耗控制目标以及控制设备物理极限性,即设备损耗控制目标;
S2、建立合作博弈模型,采用基于合作博弈模型的多目标模型预测控制方法对前述设施环境的三个控制目标的进行处理,得到每个控制目标的优化函数;
S3、求解所得的目标的优化函数,获取各目标函数的最优控制量。
本发明的步骤S1具体为:
S1-1、建立将设施的环境参数-温湿度控制目标函数f1,描述为:
其中:P表示预测时域,j表示预测步长,k表示当前时刻;Tin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内温度(根据设施温室小气候预测模型获得),Hin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内湿度(根据设施温室小气候预测模型获得),Tset和Hset分别为作物生长所适宜的温度值和湿度值;
S1-2、建立设施控制的能耗控制目标函数f2,描述为:
其中,N表示控制设备的总数量,i表示当前控制设备的编号;M表示控制时域,j′表示控制步长;ui(k+j′|k)表示当前时刻k获取的未来k+j时刻控制设备i的最优控制量(根据控制子***优目标函数得到),ui_max为控制设备i的最大控制量(控制设备例如设施内加热器的最大功率、天窗的最大开启角度、风机的开启个数等);
S1-3、建立设施中设备损耗控制目标函数f3,描述为:
其中:ui(k+j′+1|k)表示当前时刻k获取的未来k+j+1时刻控制设备i的最优控制量(根据控制子***优目标函数得到)。
本发明的步骤S2具体为:
S2-1、将三个控制目标即三个设施控制子***分别作为博弈方,采用下述公式建立合作博弈模型:
式中,l和l′表示博弈方的编号,m表示博弈方的总数量;Ul和Ul′表示博弈方l和l′的策略集,ul和ul′表示博弈方l和l′采用的策略,表示博弈方l能够采用的最优策略;表示博弈方l和l′分别采用策略ul和ul′时博弈方l的绝对收益,表示博弈方l和l′分别采用策略ul和ul′时博弈方l′的绝对收益,表示博弈方l采取最优策略时所有博弈方能获得的最大绝对收益总和;wll和wll′为比例系数,wll表示博弈方l的不合作程度,wll′表示博弈方l的合作程度,且
S2-2、基于前述合作博弈模型建立多目标模型预测控制方法,得到设施环境中各子***的优化目标函数为:
其中:l和l′表示设施控制子***的编号,即博弈方;ul_i和ul′_i′表示控制子***l和l′内控制设备i和i′的控制量,即博弈方采用的策略;表示控制子***l内控制设备i的最优控制量,即最优策略;fl和fl′表示控制子***l和l′的控制目标函数,即绝对收益;fl(ul_i,ul′_i′)和fl′(ul_i,ul′_i′)表示控制子***l和l′中控制设备i和i′的控制量为ul,i和ul′,i′时各子***的绝对收益;表示当控制子***l内控制设备i采用最优控制量时整个控制***的最大绝对收益。
本发明的步骤S3具体为:
S3-1、各控制子***分别随机初始化各自控制设备的控制序列ul_i(0);
ul_i(0)=[ul_i(0|0),ul_i(1|0),...,ul_i(M-1|0)],l=1,2,3
其中:M表示控制时域,l表示控制子***编号,i表示控制设备的编号,ul_i(0|0)表示控制子***l中控制设备i第0时刻控制量的随机预设值,ul_i(M-1|0)表示控制子***l中控制设备i在第0时刻对其在M-1时刻控制量的随机预设值;
S3-2、各控制子***之间相互通信,分别将自己时刻k的控制序列ul_i,q(k)发送给其他子***;
ul_i,q(k)=[ul_i(k|k),ul_i(k+1|k),...,ul_i(k+M-1|k)]q
其中:ul_i(k+M-1|k)表示控制子***l中控制设备i在时刻k对其在时刻k+M-1控制量的预设值,q表示时刻k控制子***l与其它子***交互控制量的次数;
S3-3、在获得其他控制子***在时刻k第q次发送的控制序列后,控制子***l根据自己的优化目标函数利用粒子群算法求出最优控制序列
其中,表示控制子***l中控制设备i在时刻k对时刻k+M-1控制量的最优预设值;
S3-4、对于任意一个博弈方,在时刻k如果满足q=qmax或者则停止发送控制序列,并执行最优控制序列的第1个控制量之后,返回步骤S4-2进行时刻k+1的最优控制序列计算。
其中,qmax表示控制子***在某一时刻发送控制序列次数的最大值,ε表示控制序列改进的门限值。
本发明的有益效果:
本发明针对设施环境中的多目标控制问题,采用分布式模型预测控制方法,根据控制目标,将整体控制***分解为若干个子***,每个子***通过优化各自的目标函数求得***整体最优。为了实现各个控制目标的均衡求解,借鉴博弈论思想,将各个控制目标看作各个博弈方,通过建立合作竞争模型,使得每个博弈方在考虑个人利益的同时也兼顾他人利益,从而解决多目标冲突问题。为说明问题的方便起见,以设施环境的温、湿度参数及相应控制设备组成的多目标控制***为例(可拓展到多参数形成的多目标控制***),在MATLAB仿真平台上验证了算法的有效性。
本发明对设施环境中多目标控制问题进行研究,针对设施环境模型的非线性,目标函数的复杂性以及约束性,提出了分布式模型预测控制在设施环境中的应用框架,并借鉴博弈论,采用合作博弈方法解决设施环境中多目标,即精确控制、能耗最小、设备开启频繁度最低三个目标的冲突问题。通过在MATLAB平台上以2015年春季、夏季、秋季和冬季各一天的气象数据为例进行了仿真与验证,并与单目标控制、传统的线性加权多目标控制进行对比。实验结果表明,本发明提出的算法在解决多目标冲突问题上具有明显的优势,不仅能够使得室内温湿度能够满足作物生长所需的适宜范围,同时大大地降低了控制设备的能耗以及设备损耗。
具体实施方式
下面结合实施例对本发明作进一步的说明。
一种基于合作博弈的设施环境多目标优化控制方法,它包括以下步骤:
S1、建立设施环境的三个控制目标:环境参数-温湿度控制目标、能耗控制目标以及控制设备物理极限性,即设备损耗控制目标;
S1-1、建立将设施的环境参数-温湿度控制目标函数f1,描述为:
其中:P表示预测时域,j表示预测步长,k表示当前时刻;Tin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内温度(根据设施温室小气候预测模型获得),Hin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内湿度(根据设施温室小气候预测模型获得),Tset和Hset分别为作物生长所适宜的温度值和湿度值;
S1-2、建立设施控制的能耗控制目标函数f2,描述为:
其中,N表示控制设备的总数量,i表示当前控制设备的编号;M表示控制时域,j′表示控制步长;ui(k+j′|k)表示当前时刻k获取的未来k+j时刻控制设备i的最优控制量(根据控制子***优目标函数得到),ui_max为控制设备i的最大控制量(控制设备例如设施内加热器的最大功率、天窗的最大开启角度、风机的开启个数等);
S1-3、建立设施中设备损耗控制目标函数f3,描述为:
其中:ui(k+j′+1|k)表示当前时刻k获取的未来k+j+1时刻控制设备i的最优控制量(根据控制子***优目标函数得到)。
S2、建立合作博弈模型,采用基于合作博弈模型的多目标模型预测控制方法对前述设施环境的三个控制目标的进行处理,得到每个控制目标的优化函数;
S2-1、将三个控制目标即三个设施控制子***分别作为博弈方,采用下述公式建立合作博弈模型:
式中,l和l′表示博弈方的编号,m表示博弈方的总数量;Ul和Ul′表示博弈方l和l′的策略集,ul和ul′表示博弈方l和l′采用的策略,表示博弈方l能够采用的最优策略;表示博弈方l和l′分别采用策略ul和ul′时博弈方l的绝对收益,表示博弈方l和l′分别采用策略ul和ul′时博弈方l′的绝对收益,表示博弈方l采取最优策略时所有博弈方能获得的最大绝对收益总和;wll和wll′为比例系数,wll表示博弈方l的不合作程度,wll′表示博弈方l的合作程度,且
S2-2、基于前述合作博弈模型建立多目标模型预测控制方法,得到设施环境中各子***的优化目标函数为:
其中:l和l′表示设施控制子***的编号,即博弈方;ul_i和ul′_i′表示控制子***l和l′内控制设备i和i′的控制量,即博弈方采用的策略;表示控制子***l内控制设备i的最优控制量,即最优策略;fl和fl′表示控制子***l和l′的控制目标函数,即绝对收益;fl(ul_i,ul′_i′)和fl′(ul_i,ul′_i′)表示控制子***l和l′中控制设备i和i′的控制量为ul,i和ul′,i′时各子***的绝对收益;表示当控制子***l内控制设备i采用最优控制量时整个控制***的最大绝对收益。
S3、求解所得的目标的优化函数,获取各目标函数的最优控制量。
S3-1、各控制子***分别随机初始化各自控制设备的控制序列ul_i(0);
ul_i(0)=[ul_i(0|0),ul_i(1|0),...,ul_i(M-1|0)],l=1,2,3
其中:M表示控制时域,l表示控制子***编号,i表示控制设备的编号,ul_i(0|0)表示控制子***l中控制设备i第0时刻控制量的随机预设值,ul_i(M-1|0)表示控制子***l中控制设备i在第0时刻对其在M-1时刻控制量的随机预设值;
S3-2、各控制子***之间相互通信,分别将自己时刻k的控制序列ul_i,q(k)发送给其他子***;
ul_i,q(k)=[ul_i(k|k),ul_i(k+1|k),...,ul_i(k+M-1|k)]q
其中:ul_i(k+M-1|k)表示控制子***l中控制设备i在时刻k对其在时刻k+M-1控制量的预设值,q表示时刻k控制子***l与其它子***交互控制量的次数;
S3-3、在获得其他控制子***在时刻k第q次发送的控制序列后,控制子***l根据自己的优化目标函数利用粒子群算法求出最优控制序列
其中,表示控制子***l中控制设备i在时刻k对时刻k+M-1控制量的最优预设值;
S3-4、对于任意一个博弈方,在时刻k如果满足q=qmax或者则停止发送控制序列,并执行最优控制序列的第1个控制量之后,返回步骤S4-2进行时刻k+1的最优控制序列计算。
其中,qmax表示控制子***在某一时刻发送控制序列次数的最大值,ε表示控制序列改进的门限值。
具体实施时:
本发明的试验温室以下述条件为例:位于苏州御亭现代农业产业园,四连栋塑料温室,主体采用轻型钢结构,单栋跨度为8.0m,肩高3.0m,顶高5.0m,栋长为44.0m。以该设施环境为例,选择2015年1月下旬连续5天的实测室外温湿度以及室内温湿度值作为样本数据,采用粒子群算法对设施环境机理模型的参数进行辨识,得到模型参数如表1所示:
表1机理模型的参数辨识结果
注:τ为太阳辐射透过率;Cd为自然通风的流量系数;Cw为自然通风的的综合风压系数;hc为室内空气与空气通过覆盖材料的热交换系数;Cp为空气的定压比热。然后在该实际模型的基础上,结合测量的外界环境气象数据对设施环境的温湿度环境因子进行仿真控制。为了验证控制算法的有效性与可靠性,选取了每天不同的外界气象数据,对控制算法进行了8次仿真试验。试验涉及的其他参数设置如下:在模型预测控制中,预测时域为5;控制时域为2。采用粒子群算法进行优化问题的计算,其涉及的参数取值为:粒子个数为50,学习因子c1、c2均为1.4962,权重w为0.7298,迭代次数为100。
为了说明试验效果,选取某次仿真试验进行分析,以春季2015年4月21日(24小时)为例。当天室外环境采用美国SPECTRUM公司的自动气象站Watchdog2900ET每隔30min对温室外的温度、湿度和太阳辐射、风速进行测量得到。设施环境控制的初始温湿度值根据要求设定,为了使得试验更接近真实环境,本发明将室外环境0:00时刻采集的温湿度值作为设施环境控制的初始值,即初始室内温度为11℃,初始室内绝对湿度为5.76g/m3,即相对湿度为62%。控制目标为使得室内温度达到27℃,室内绝对湿度达到18.1g/m3,即相对湿度为80%,同时能够降低设备能耗以及损耗。
综上所述,本发明对设施环境中多目标控制问题进行研究,针对设施环境模型的非线性,目标函数的复杂性以及约束性,提出的分布式模型预测控制在设施环境中的应用框架,并借鉴博弈论,采用合作博弈方法解决设施环境中多目标,即精确控制、能耗最小、设备开启频繁度最低三个目标的冲突问题。通过在MATLAB平台上以冬季一天的气象数据为例进行了仿真与验证,与单目标控制、传统的线性加权多目标控制进行对比。实验结果表明,本发明提出的算法在解决多目标冲突问题上具有明显的优势,不仅能够使得室内温湿度能够满足作物生长所需的适宜范围,同时大大地降低了控制设备的能耗以及设备损耗。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (3)
1.一种基于合作博弈的设施环境多目标优化控制方法,其特征是它包括以下步骤:
S1、建立设施环境的三个控制目标:环境参数-温湿度控制目标、能耗控制目标以及控制设备物理极限性,即设备损耗控制目标;
S2、建立合作博弈模型,采用基于合作博弈模型的多目标模型预测控制方法对前述设施环境的三个控制目标进行处理,得到每个控制目标的优化函数;
S3、求解所得的目标的优化函数,获取各目标函数的最优控制量;
步骤S1具体为:
S1-1、建立将设施的环境参数-温湿度控制目标函数f1,描述为:
其中:P表示预测时域,j表示预测步长,k表示当前时刻;Tin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内温度,Hin(k+j|k)表示当前时刻k获取的未来时刻k+j的室内湿度,Tset和Hset分别为作物生长所适宜的温度值和湿度值;
S1-2、建立设施控制的能耗控制目标函数f2,描述为:
其中,N表示控制设备的总数量,i表示当前控制设备的编号;M表示控制时域,j′表示控制步长;ui(k+j′|k)表示当前时刻k获取的未来k+j′时刻控制设备i的最优控制量,ui_max为控制设备i的最大控制量;
S1-3、建立设施中设备损耗控制目标函数f3,描述为:
其中:ui(k+j′+1|k)表示当前时刻k获取的未来k+j′+1时刻控制设备i的最优控制量。
2.根据权利要求1所述的基于合作博弈的设施环境多目标优化控制方法,其特征是步骤S2具体为:
S2-1、将三个控制目标即三个设施控制子***分别作为博弈方,采用下述公式建立合作博弈模型:
式中,l和l′表示博弈方的编号,m表示博弈方的总数量;Ul和Ul′表示博弈方l和l′的策略集,ul和ul′表示博弈方l和l′采用的策略,表示博弈方l能够采用的最优策略;表示博弈方l和l′分别采用策略ul和ul′时博弈方l的绝对收益,表示博弈方l和l′分别采用策略ul和ul′时博弈方l′的绝对收益,表示博弈方l采取最优策略时所有博弈方能获得的最大绝对收益总和;wll和wll′为比例系数,wll表示博弈方l的不合作程度,wll′表示博弈方l的合作程度,且
S2-2、基于前述合作博弈模型建立多目标模型预测控制方法,得到设施环境中各子***的优化目标函数为:
其中:l和l′表示设施控制子***的编号,即博弈方;ul_i和ul′_i′表示控制子***l和l′内控制设备i和i′的控制量,即博弈方采用的策略;表示控制子***l内控制设备i的最优控制量,即最优策略;fl和fl′表示控制子***l和l′的控制目标函数,即绝对收益;fl(ul_i,ul′_i′)和fl′(ul_i,ul′_i′)表示控制子***l和l′中控制设备i和i′的控制量为ul_i和ul′_i′时各子***的绝对收益;表示当控制子***l内控制设备i采用最优控制量时整个控制***的最大绝对收益。
3.根据权利要求1所述的基于合作博弈的设施环境多目标优化控制方法,其特征是步骤S3具体为:
S3-1、各控制子***分别随机初始化各自控制设备的控制序列ul_i(0);
ul_i(0)=[ul_i(0|0),ul_i(1|0),...,ul_i(M-1|0)],l=1,2,3
其中:M表示控制时域,l表示控制子***编号,i表示控制设备的编号,ul_i(0|0)表示控制子***l中控制设备i第0时刻控制量的随机预设值,ul_i(M-1|0)表示控制子***l中控制设备i在第0时刻对其在M-1时刻控制量的随机预设值;
S3-2、各控制子***之间相互通信,分别将自己时刻k的控制序列ul_i,q(k)发送给其他子***;
ul_i,q(k)=[ul_i(k|k),ul_i(k+1|k),...,ul_i(k+M-1|k)]q
其中:ul_i(k+M-1|k)表示控制子***l中控制设备i在时刻k对其在时刻k+M-1控制量的预设值,q表示时刻k控制子***l与其它子***交互控制量的次数;
S3-3、在获得其他控制子***在时刻k第q次发送的控制序列后,控制子***l根据自己的优化目标函数利用粒子群算法求出最优控制序列
其中,表示控制子***l中控制设备i在时刻k对时刻k+M-1控制量的最优预设值;
S3-4、对于任意一个博弈方,在时刻k如果满足q=qmax或者则停止发送控制序列,并执行最优控制序列的第1个控制量之后,返回步骤S3-2进行时刻k+1的最优控制序列计算,
其中,qmax表示控制子***在某一时刻发送控制序列次数的最大值,ε表示控制序列改进的门限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610965089.4A CN106371318B (zh) | 2016-10-31 | 2016-10-31 | 基于合作博弈的设施环境多目标优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610965089.4A CN106371318B (zh) | 2016-10-31 | 2016-10-31 | 基于合作博弈的设施环境多目标优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106371318A CN106371318A (zh) | 2017-02-01 |
CN106371318B true CN106371318B (zh) | 2018-12-11 |
Family
ID=57894665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610965089.4A Expired - Fee Related CN106371318B (zh) | 2016-10-31 | 2016-10-31 | 基于合作博弈的设施环境多目标优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106371318B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021048049A1 (en) * | 2019-09-10 | 2021-03-18 | Signify Holding B.V. | Controlling an environmental condition based on anticipated influence of control of a further environmental condition |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037728A (zh) * | 2017-03-22 | 2017-08-11 | 安徽农业大学 | 基于多目标灰色粒子群算法的温室环境优化控制方法 |
CN107155932B (zh) * | 2017-05-12 | 2020-04-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境温度检测*** |
CN108415256A (zh) * | 2018-04-09 | 2018-08-17 | 南京农业大学 | 一种面向连栋日光能温室作物的栽培控制*** |
CN109116730B (zh) * | 2018-07-11 | 2021-10-12 | 南京航空航天大学 | 一种基于tu合作博弈的混合执行机构能量优化管理方法 |
WO2020024097A1 (zh) * | 2018-07-30 | 2020-02-06 | 东莞理工学院 | 基于深度强化学习的自适应博弈算法 |
CN112612207B (zh) * | 2020-11-27 | 2022-10-25 | 合肥工业大学 | 不确定环境下多目标博弈求解方法及*** |
CN117031968B (zh) * | 2023-10-10 | 2024-02-09 | 山东科技大学 | 一种基于非合作博弈的带式输送机控制方法 |
CN118153466B (zh) * | 2024-05-13 | 2024-07-05 | 太原科技大学 | 一种氢燃料电池多目标合作博弈设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力***的温室气体减排控制方法 |
CN105843299A (zh) * | 2016-04-05 | 2016-08-10 | 浙江工业大学 | 温室环境***多变量区间控制方法 |
-
2016
- 2016-10-31 CN CN201610965089.4A patent/CN106371318B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力***的温室气体减排控制方法 |
CN105843299A (zh) * | 2016-04-05 | 2016-08-10 | 浙江工业大学 | 温室环境***多变量区间控制方法 |
Non-Patent Citations (5)
Title |
---|
A survey of industrial model predictive control technology;Qin S J et al.;《control engineering practice》;20030731;第11卷(第7期);第733-764页 * |
基于博弈策略的多目标进化算法研究;李厚甫;《中国优秀硕士学位论文全文数据库基础科学辑》;20130615;全文 * |
基于改进多目 标进化算法的温室环境PID控制的仿真研究;侯涛;《中国优秀硕士学位论文全文数据库农业科技辑》;20141215;全文 * |
基于改进多目标进化算法的温室环境优化控制;王立舒等;《农业工程学报》;20140331;第30卷(第5期);第131-137页 * |
基于非合作博弈的分布式模型预测控制优化算法;徐焕良等;《计算机工程与科学》;20160731;第38卷(第7期);摘要,第1485页左栏,右栏第1段,第1486-1487页,第1491-1493页,附图12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021048049A1 (en) * | 2019-09-10 | 2021-03-18 | Signify Holding B.V. | Controlling an environmental condition based on anticipated influence of control of a further environmental condition |
Also Published As
Publication number | Publication date |
---|---|
CN106371318A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106371318B (zh) | 基于合作博弈的设施环境多目标优化控制方法 | |
CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制***及其调控方法 | |
Taki et al. | Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse | |
CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和*** | |
CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
Pacco | Simulation of temperature control and irrigation time in the production of tulips using Fuzzy logic | |
Moon et al. | Estimation of greenhouse CO 2 concentration via an artificial neural network that uses environmental factors | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
Ting et al. | Management of CO2 in a tomato greenhouse using WSN and BPNN techniques | |
Laktionov et al. | Planning of remote experimental research on effects of greenhouse microclimate parameters on vegetable crop-producing | |
CN116649160A (zh) | 食用菌菌种生产监测***及监测方法 | |
CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
Zhu et al. | Remote monitoring and management system of intelligent agriculture under the internet of things and deep learning | |
Lork et al. | Minimizing electricity cost through smart lighting control for indoor plant factories | |
CN115453868A (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
Vanegas-Ayala et al. | A systematic review of greenhouse humidity prediction and control models using fuzzy inference systems | |
Montero et al. | Greenhouse engineering: new technologies and approaches | |
Zhang et al. | Modeling and simulation of temperature control system in plant factory using energy balance | |
CN103903068B (zh) | 一种混合优化算法的温室能量预测方法 | |
Körner et al. | An on-line tool for optimising greenhouse crop production | |
González Pérez et al. | Neural networks-based models for greenhouse climate control | |
Van Beveren et al. | Minimal heating and cooling in a modern rose greenhouse | |
CN106803209A (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
Qu et al. | Application of Deep Neural Network on Net Photosynthesis Modeling | |
CN110073857A (zh) | 一种温室立面通风保温抗风***及控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181211 Termination date: 20191031 |