专利名称：基于混沌退火和参数扰动的神经网络极值控制方法及系统的制作方法
技术领域：
本发明涉及人工智能控制技术领域，更具体地，本发明涉及一种基于混沌 退火和参数扰动的神经网络极值控制方法及系统。
背景技术：
极值搜索系统(Extremum Seeking System)是一类广泛存在于大众的生产 和生活、工业控制及军事应用等领域的实际系统，例如燃气涡轮的喷射引擎燃 烧室控制系统、汽车和飞机的刹车控制系统、飞机的紧密编队飞行控制、管状 反应堆控制系统、以及人体锻炼机控制系统，都属于极值搜索系统的范畴。在 很多的实际极值搜索系统中，系统的参考输入和输出之间的参考轨迹很难被设 计者准确知晓，而且由于系统模型的不确定性和参数时变的影响，最终导致参 考轨迹上极值点所对应的搜索变量很难被确定。如何使极值搜索系统在受到不 确定性和参数时变的影响下，仍然能够自适应地找到参考轨迹的极值点，使被 控系统的性能发挥到最佳状态，是一个长久困扰控制界学者的问题。极值控制 方法的出现与JL艮为解决此类实际的控制问题提供了一种有效的手段。
目前，针对极值搜索系统的极值控制方法主要集中于基于正弦激励信号 的极值控制方法和滑才莫极值控制方法。由于在这两类才及值控制方法中都采用正 弦周期信号作为系统的激励信号，导致了被控系统的搜索信号中始终夹杂着小 振幅的正弦周期信号，从而不能使得被控系统的输出值渐近收敛至所求的极值 点，造成在极值点附近的正弦波动现象；而且对于极值搜索系统的输出函数存 在多个极值点的情况，上述两类极值控制方法都无法确保被控系统的输出值收 敛至它的全局极值点，因而导致极值搜索系统具有的最佳性能不能得到充分的 发挥，造成能源的浪费。极值控制方法所存在的这些缺陷，在一定程度上限制 了该方法在实际极值搜索系统中，以及函数优化问题中的应用。由于极值控制方法在工业生产和军事应用领域具有巨大的应用潜力，能够 极大地节约能源，最大限度的提高工业生产率和军事战斗力，为克服现有极值 控制方法的缺陷，研究新的极值控制方法具有非常重要的意义。发明内容为克服现有极值控制方法的缺陷，本发明提供一种基于混沌退火和参数扰 动的神经网络极值控制方法及系统。根据本发明的一个方面，提供了 一种基于混沌退火和参数扰动的神经网络极值控制方法，包括步骤10)、将极值搜索系统的控制问题转化为求解此被控系统的输出函数 中斜率为零的极值点问题；步骤20)、根据所述的极值点求解问题，构造一对具有约束条件的对偶优 化问题；步骤30)、根据所述的具有约束条件的对偶问题，建立一种基于混沌退火 和参数扰动的神经网络极值控制方法；步骤40)、通过所述的神经网络极值控制方法的求解，可以得到极值搜索 系统的输出为全局才及值时所对应的最优搜索变量；步骤50)、根据所得的全局最优的搜索变量，驱使极值搜索系统的输出值 收敛至输出函数的全局极值点，从而实现极值搜索系统的控制目的。其中，步骤20)进一步包括根据所述的极值点求解问题，确定一个具有 约束条件的最小化极值问题，应用对偶控制理论，存在另一个具有约束条件的 最大化极值问题，从而形成一对具有约束条件的对偶问题。其中，步骤30)中的基于混沌退火和参数扰动的神经网络极值控制方法包 括三个不同的搜索控制阶段，具体包括步骤310)、此极值控制方法的初始阶段属于混沌退火搜索阶段，利用Lorenz 模型产生的混沌噪声，直接将其引入至具有参数扰动的神经网络中，通过不断衰减混沌噪声的幅度与混沌噪声的接受概率来实现混沌退火的搜索过程；步骤320 )、此极值控制方法的中间阶段属于参数扰动搜索阶段，利用参数扰动策略，使神经网络的输出值暂时摆脱初始搜索阶段的收敛点的吸引，从而验证初始的收敛点是否为全局极值点。通过参数扰动因子的逐渐衰减，使搜索过程逐渐进入极值控制方法的最终阶段；步骤330 )、此极值控制方法的最终阶段属于神经网络搜索阶段，利用神经网络自身的收敛性使极值搜索系统的搜索变量准确和渐近地收敛至它的全局极值点。根据本发明的第二方面，提供了 一种基于混沌退火和参数扰动的神经网络 极值控制系统，包括模型仿真模式，用于确定基于混沌退火和参数扰动的神经网络极值控制方 法中的各种调节参数，验证所述控制方法在不同极值搜索系统中的全局搜索和控制能力，拓展所述控制方法在各种函数优化问题中的应用；实时控制模式，通过多种不同的传感器机构测量出反映被控对象特性的状 态量，并通过相应的数据采集方式，将实测的状态信息反馈回计算机中的实时 控制模式，利用所述控制方法，实时计算出相应的控制信号，通过数据驱动装 置、数模转换装置和信号放大装置，最终将控制信号提供给执行机构，用于控 制极值搜索被控对象的输出值，使之渐近收敛至输出函数的全局极值点。其中，所述模型仿真模式和实时控制模式不仅对已保存的极值搜索系统具 有极值控制能力，而且可以扩展接受新的极值搜索系统模型，并对其进行极值 控制。其中，由所述实时控制模式构成的实时极值搜索控制系统进一步包括多 通道传感器机构、数据采集模块、数字信号驱动机构、数模转换机构、电压与 功率放大器以及执行机构。其中，所述实时极值搜索控制系统中，多通道传感器机构与极值搜索控制 对象相连接，用于测量反映被控对象特性的状态量，包括温度、压力、距离、转速、角度等状态信号；数据采集模块，位于多通道传感器机构与所述实时控 制模式(控制器)之间，用于采集不同的测量信号，并对采集到的测量信号完 成模数转换后，提供给实时控制模式；数字信号驱动机构与所述实时控制模式 相连接，用于提高数字信号的远距离传输能力；数模转换机构与数字信号驱动 机构相连接，用于将数字信号转换为模拟信号；电压、功率放大器与数模转换 机构相连接，用于将转换后的模拟信号进行适当的电压和功率放大；执行机构 与电压、功率放大器相连接，用于接受控制信号，执行相应的操作，完成对极 值搜索控制对象的输出极值控制。 日j的极值搜索被控系统的输出信号，计算得到相应的搜索信号和控制信号，驱使 被控系统的输出值准确和渐近地收敛至所求的全局极值点；对于不同的函数优 化问题，也可应用所述控制方法；所述控制方法能够最大限度地节约能源，充 分发挥被控系统的性能，有助于发展节约型的生产模式。
图1为基于混沌退火和参数扰动的神经网络极值控制方法及系统的Matlab 软件主界面图；图2为基于混沌退火和参数扰动的神经网络极值控制系统中的模型仿真模 式的主界面图；图3为基于混沌退火和参数扰动的神经网络极值控制系统中的实时控制模式的主界面图；图4为实时极值搜索控制系统的组成框架图；图5为Schaffer函数的输出值与自变量之间的取值分布图；图6为分别采用基于混沌退火和M扰动的神经网络极值控制方法与基于滑模变结构的极值控制方法时的Schaffer函数的输出值仿真对比图；滑模变结构的极值控制方法时的二阶Schaffer函数的状态变量;c,仿真对比图8为分别采用基于混沌退火和M扰动的神经网络极值控制方法与基于 滑模变结构的极值控制方法时的二阶Schaffer函数的状态变量^仿真对比图9为采用基于混沌退火和参数扰动的神经网络极值控制系统中的模型仿 真模式在三阶系统Branin输出函数模型中的仿真结果；
图10为三阶系统Branin输出函数模型中三个状态变量的仿真结果;
图11为采用基于混沌退火和参数扰动的神经网络极值控制系统中的模型仿 真模式在四阶系统Six-Hump输出函数模型中的仿真结果；
图12为四阶系统Six-Hump输出函数才莫型中四个状态变量的仿真结果；
图13为分别采用基于混沌退火和参数扰动的神经网络极值控制方法和基于 正弦激励信号的极值控制方法在无人机紧密编队飞行中相邻机翼高度差的仿真 对比正弦激励信号的极值控制方法在无人机紧密编队飞行中相邻机翼横向距离差的 仿真对比正弦激励信号的极值控制方法在无人机紧密编队飞行中僚机所获得的上洗力仿
真对比图和局部放大对比图16为采用自适应控制方法时航空发动机平均燃空比值f的仿真结果； 图17为采用自适应控制方法时航空发动机燃烧室内振荡压力《的仿真结
果；
图18为采用基于混沌退火和参数扰动的神经网络极值控制方法时航空发动 机平均燃空比值f的仿真结果；
图19为釆用基于混沌退火和参数扰动的神经网络极值控制方法时航空发动 机燃烧室内振荡压力尸￡的仿真结果。
具体实施方式
下面结合附图和具体实施例对本发明提供的一种基于混沌退火和参数扰动 的神经网络极值控制方法及系统作详细描述。本发明提出的 一种基于混沌退火和参数扰动的神经网络极值控制方法，用 来控制极值搜索系统，使其输出值准确和渐近地收敛至输出函数的全局极值点， 提高了原有极值控制方法的搜索能力和稳定效果。从实现来看，基于混沌退火动的神经网络极值控制方法设计和混沌退火设计三部分，其中基于参数扰动的 神经网络极值控制方法设计和混沌退火设计是本发明方法的关键。所述方法的 具体实现可以存放于系统中的一个控制模块。所述控制模块根据反馈接受极值 搜索被控系统的实测信号，利用所述控制方法，实时解算出相应的极值控制信根据一般极值搜索系统详述本发明所提出的方法。 一、极值搜索机制设计考虑一类极值搜索系统的状态方程和输出函数为其中，JceR"， j/e股"和;veR分别表示系统的状态向量，控制向量和输出值。 /(x(f),"0)是系统的状态方程，尸(x(W是系统的输出函数。在使用基于正弦激 励信号和基于滑模变结构的极值控制方法中，F(xW)要求只能具有一个极值点， 因为 一旦F(x(f))具有多个极值点时，这些方法就不能保证极值搜索系统的输出 值收敛至输出函数F(x(f))的全局极值点。而本发明所述方法研究的极值搜索系 统的输出函数F(;cG》可以具有多个极值点。由于极值搜索系统(1)是可控系统，那么 一定存在控制律"(f) = A^),W可以稳定此系统，其中04《,《，…，A]e股""是此系统的搜索向量。将控制律
t^卜yff(JC^")代入系统的状态方程，可知当系统稳定时， 一定存在如下关系
/(jc斥,李0e;c-剩 (2) 其中，/:iT^/ "是光滑函数。将(2)式代入到极值搜索系统的输出函数，可 以得到新的输出函数关系
<formula>formula see original document page 10</formula> (3)
在极值搜索系统中至少存在一组极值向量w =[《，《，...,《]r eir ，使得系统
的输出值y收敛至输出函数的极值点/，因而，依据数学的微分理论，存在如下
关系
湖
<formula>formula see original document page 10</formula>
并且，3，。()("〈o或者3，。()K
>0
膽 膽
将输出函数(3)两端对时间求微分后，可以得到下式:
(4)
其中，3^W)=
3《 W 眠 在极值搜索系统的控制中，要求被控对象的输出值y收敛于其极值点/， 那么也即是要求搜索向量0必须收敛于它的极值向量<9'，从而才能使得系统输出 满足/=(尸。/)(^)。 一旦搜索向量^收敛于它的极值向量W处时，那么输出函
数对于向量e各分量的偏导数的绝对值la(。l将等于零。本发明提出的基于混沌
退火和参数扰动的神经网络极值控制方法的目的就是使|3(0|的各个分量在最短
的时间都收敛至各自的最小值，当然这一优化过程必须受到(4)式的约束。 因此，可以将极值搜索控制问题转化为<formula>formula see original document page 11</formula>(5)最小化目标 |^("| '约束条件考虑到条件^(0-(3(W|3(0)|=O，可将(5)式抽象为(6)式，然后即可[最小化目标 =L约束条件^(U) = Ml>-6 = 0<formula>formula see original document page 11</formula>(6)6 =其中，<formula>formula see original document page 11</formula>根据对偶性原理(所属技术领域的普通技术人员应当清楚线性控制理论中 的对偶性原理)，上述极值搜索问题存在如下的对偶形式[最大化目标 g2(W)-67^ L约束条件/ 2(w)-M7^-c = 0<formula>formula see original document page 11</formula>(7)其中，"2化]L为"的对偶变量。通过上述分析， 一个极值搜索系统的极值控制问题可以转化为在满足如 (6)式和(7)式所示的约束条件下，应用所设计的基于混沌退火和参数扰动的神 经网络使得g^和&(")最优化的问题。这种极值搜索机制的设计，可以在不采用正弦激励信号或者滑模变结构环节的搜索机制的情况下，应用基于混沌退火 和参数扰动的神经网络极值控制方法保证极值搜索系统的输出值准确和平滑地 收敛至输出函数的全局极值点，消除系统状态变量和输出量的波动现象，同时 提高极值搜索算法的全局极值搜索能力。二、具有参数扰动的神经网络极值控制方法设计本发明设计的具有参数扰动的神经网络极值控制方法是将参数扰动项W 直接$I入到神经网络的能量函数之中，通过对神经网络才及值控制方法的设计，参数扰动项DW的影响将直接关系到神经网络输出值的稳定性和最优性。
设计具有参数扰动的神经网络的能量函数为
￡(^) = ^(,)(g|(u)-g )24|A(,2+^P 『 (8)
其中，I II表示函数的Euc 1 id范数，扰动参数的数学形式D(O釆用DW =，-"' 或者DW-y(l +《"，且">1, />0和;7>0都是设计变量。通过调节a、 /和/7的 可以改变扰动員Z)(O对神经网络的影响。
具有参数扰动的神经网络极值控制方法的动态方程定义为沿能量函数(8) 式梯度的负方向递减，具体形式为
苦=-辟) (9)
其中，向量t7-(U,fi071 ,V五((7)表示能量函数五(C7)的梯度，//是比例系数， 且为正数，通过调节//可以改变具有参数扰动神经网络的收敛速度。令"p "2分
别表示神经元的内部状态变量，其具体形式为
<formula>formula see original document page 12</formula> (13) 其中，u和w是此神经网络的输出向量，",和"2分别是与u和份具有同维的 向量，《()表示具有S型的激活函数，S型激活函数的具体形式为
<formula>formula see original document page 12</formula>此神经网络的单元之间的权连接矩阵为<formula>formula see original document page 13</formula>,通过改变比例系数//，可以调节权连接矩阵和阈值向量的大小。三、基于混沌退火和参数扰动的神经网络极值控制方法设计 为了使得本发明所述的控制方法对于具有任意形式输出函数的极值搜索系 统都具有良好的全局极值搜索能力，在上述具有参数扰动的神经网络极值控制方法的基础上引入了混沌退火环节。应用Lorenz^^莫型产生混沌噪声，并将其引 入到上述具有参数扰动的神经网络中，作为神经网络的混沌退火环节。利用混 沌的随机性和遍历性，提高神经网络的全局搜索能力。通过理论分析证明基 于混沌退火和M扰动的神经网络极值控制方法能够以概率1渐近收敛至(6)式 和(7)式的极值问题的全局最优解。基于混沌退火和#扰动的神经网络极值控制方法的具体形式为<formula>formula see original document page 13</formula><formula>formula see original document page 14</formula>其中，《(0,(/ = 1，2)表示混沌噪声的接受概率，且始终i^)^0， u' = ^， ' = ^， A:,是Boltzmann常数，r是退火温度，r。是初始的退火温度，
参数randnum则表示在k，l]之间的随机数，ra e
为最低置信度。r々)是混沌噪 声的影响系数，且始终r,々)20， K((X;^l)表示混沌噪声的影响系数r々)的衰减 因子。s一0和s一0是输出向量u和w的增益系数。Lorenz模型映射如(23)式所
示，当^=10, ^-28和Cc-^时，(! = 1，2,3)将呈现混沌状态。h,A]和[^,A]
表示混沌状态& W和& W运动空间的范围，其范围大小的选^^根据极值搜索问 题的不同而不同， 一般选择其大小满足神经网络未引入混沌退火时状态变量Ml和 "2最大变化率的10%,且关于零点对称，因此Lorenz模型被作为基于混沌退火 和参数扰动的神经网络极值控制方法中混沌退火产生的机制。扰动参数项A W和A W的选取如(16)和(17)式所示，其中C表示正常数。 虽然扰动参数项Z)々)是某一正常数，这并不会影响所设计神经网络的收敛性。 与上述所设计的具有参数扰动的神经网络(如(IO) ~ (13)式)相比，此基于混沌退火和参数扰动的神经网络只是引入了混沌噪声项r,(,)和义=1，2),它们的引入增强了神经网络的全局搜索能力。/^)是混沌退火的接受概率，随着时 间的递增，接受概率《w呈现递减。在基于混沌退火和参数扰动的神经网络极值控制方法的运行初始阶段，利用Lorenz模型产生的混沌噪声影响神经网络输出值的搜索能力，使得神经网络 输出具有遍历性，随着时间的递增，接受概率i^)一定会小于最低置信度r。，此 时由(14) ~ (24)式所定义的基于混沌退火和参数扰动的神经网络就逐渐进化为 由(IO) ~ (13)式所定义的具有参数扰动的神经网络形式；利用扰动参数AW的 影响，使神经网络的输出值暂时摆脱初始搜索阶段的收敛点的吸引，可以验证 初始的收敛点是否为全局极值点；随着时间的递增，扰动参数A(,)也将收敛为零，其作用将逐渐减小直至可以忽略，此时具有参数扰动的神经网络就逐渐进 化为一般的递归神经网络，利用神经网络自身的收敛性使得极值搜索系统的输 出值准确和渐近地收敛至它的全局极值点。以上介绍了本发明所述控制方法的主要设计过程，下面根据本发明的具体 ^郎络极值控制系统。图1所示，包括两种模式模型仿真模式和实时控制模式。其中，模型仿真模 式的主界面如图2所示，实时控制模式的主界面如图3所示，实时极值搜索控 制系统的组成框架图如图4所示，此图包含了实时极值搜索控制系统中各功能 模块的组成与连接关系，以及系统中信号的流向。基于混沌退火和参数扰动的神经网络极值控制系统中的模型仿真模式已经包括二阶系统Schaffer输出函数模型、三阶系统Branin输出函数模型、四 阶系统Six-Hump输出函数模型、无人机紧密编队飞行控制、航空发动机燃烧主 动控制、飞行器平衡状态解算、纳什均衡解问题，这七个仿真实例。对于其中 没有录入的仿真实例，可以采用本系统的模型仿真模式中"仿真模型输入区" 进行重新录入，从而可以利用本发明所述的控制方法完成仿真-验证。利用界面 中的"参数调节"弹出框可以对本发明所述控制方法中的各个参数进行调节。 基于混沌退火和参数扰动的神经网络极值控制系统中的实时控制模式，主要根 据实际的极值搜索被控对象的模型进行实时的过程控制，模型输入和参数调节 过程分别通过"极值搜索系统模型输入区"和"参数调节"完成。以下实施例 将主要应用本发明所述系统中的模型仿真模式。 1、实施例1
针对一个具有Schaffer输出函数的二阶极值搜索系统，其具体形式为
<formula>formula see original document page 16</formula> —0.5 (26) |_1 + 0扁(<+^)」
系统采用控制律为
{wi=xi-《-x2 (27) w2 = jc2 - 2《
已知此Schaffer输出函数具有一个全局极小值点min(:v(^x2))-:^0，0)--l, 在距离此全局极值点大约3.14范围内存在无穷多个局部极小值将其包围，并且 此输出函数存在强烈振荡，当系统的状态变量满足-10^i,;c^lO时，输出函数 ;^/h，;0的取值分布图如图5所示。 一般的控制搜索方法4艮难得到它的全局极
值解。分别采用本发明提出的控制方法和基于滑模变结构的极值控制方法控制 上述二阶极值搜索系统，状态变量和输出值的仿真对比结果如图6、 7和8所示。 通过仿真结果可知，采用本发明提出的控制方法使得极值搜索系统的状态变量和输出值都能够较快地收敛于其全局极值点，并且输出值收敛于全局极值点后
并不存在波动现象；而基于滑模变结构的极值控制方法不能稳定极值搜索系统 的状态变量和输出值，且输出值不能收敛于它的全局才及值点。 2、实施例2
采用本发明所述系统的才莫型仿真模式完成对具有Branin输出函数的三阶极 值搜索系统的极值控制任务，此极值搜索系统的模型描述为
<formula>formula see original document page 17</formula>
系统采用控制律为
<formula>formula see original document page 17</formula>
已知此输出函数存在三个全局极小值点，最终输出函数的输出值都是相同
的，即min;^0.3978。采用本发明提出的仿真软件可以得到此极值搜索系统的仿 真结果，如图9、 10所示。通过仿真结果可知，此三阶系统能够根据初始点的 位置搜索到距离自身最近的全局极值点，并且系统的输出值收敛于此全局极值 点后不存在正弦波动现象。 3、实施例3
采用本发明所述系统的模型仿真模式完成对一个具有Six-Hump Camel-Back 输出函数的非线性四阶极值搜索系统的极值控制任务，此极值搜索系统的模型 描述为
<formula>formula see original document page 17</formula>系统采用控制律为
K = x, -2《+ 2a:3 + x4 (33) w2 = 0.25x， + 2jc2 - 02 +1.5x:3
已知上述四阶极值搜索系统具有较强的非线性，同时此输出函数存在六个 局部极小值点和二个全局极小值点，且输出函数的最小值为min;^-1.0316，此 函数经常作为评定优化方法优劣的测试函数。基于本发明所述控制方法，得到 此非线性四阶极值搜索系统的仿真结果如图11、 12所示。通过仿真结果可知， 此极值搜索系统的状态量仍然能够迅速地搜索到距离初始位置最近的全局极值 点，并且被控系统的输出值稳定后不存在正弦波动问题。
4、实施例4
针对一组由两架无人机组成的紧密飞行编队的简化后模型，如下式所示。
<formula>formula see original document page 18</formula>
(34)
其输出方程为
々)= )2-5(;c3(,)+9)2+590 (35)
其中，A和A分别表示两架无人机的相邻机翼在垂直方向上的距离差和在 橫向上的距离差，^和A则分别表示两架无人机在垂直方向上的速度差和在横 向上的速度差，输出值y表示僚机在长机的尾流场中受到的上洗力。显然，上述 紧密编队飞行模型具有的全局极值点是当《=0和《=-9时，最大上洗力为 /=590。
此系统采用控制律为
"i-20(《-a)-9x2 (36) w2 =35(02 —;c3)-15;x:4
分别采用本发明提出的控制方法和基于正弦激励信号的极值控制方法控制 上述无人机紧密编队飞行系统，状态变量和输出值的仿真对比结果如图13、 14 和15所示。通过仿真对比结果可知，采用本发明提出的控制方法使得极值搜索 系统的状态变量和输出值都能够较快地收敛于其各自的极值点，并且输出值y收敛于最大上洗力/后并不存在波动现象；而基于正弦激励信号的极值控制方法不能稳定极值搜索系统的状态变量和输出值，且通过输出值仿真结果的局部放 大图可以看出，输出值y的最终收敛结果存在明显的波动现象。 5、实施例5针对航空发动机中燃烧室内的振荡压力《，其模型为<formula>formula see original document page 19</formula>其中，c;表示燃烧室的容积；4表示喷嘴的横截面积；a:表示扼流方程常数；^表示喷嘴的有效长度；户表示喷嘴处气体密度；C,表示流量系数；^表 示出口处的横截面积；？;表示燃烧室的出口温度；"是此模型的控制输入项，来 源于热释放导致的气体流动；* 表示喷嘴流体常数。 此系统的控制律为<formula>formula see original document page 19</formula>其中，s表示在固定压力下单位质量气体的比热；^表示稳定态的喷嘴处 流速；A/^表示在一定燃空比下燃烧的热释放值；f表示燃烧室的平均燃空比值, 它是燃烧控制中的搜索变量；w是比例系数，用于推算燃烧模型的稳定特性；^ 表示贫瘠燃料下的最小燃空比，p为一控制常数。此实施例的控制目的是通过对燃烧室的平均燃空比值f的极值控制，使得 燃烧室内的振荡压力《的振荡范围最小化。分别采用本发明提出的控制方法和自适应控制方法对上述航空发动机中燃 烧室内的振荡压力《进行极值控制。采用自适应控制方法时的仿真结果如图16、17所示，采用本发明提出的控制方法时的仿真结果如图18、 19所示，可以看出， 虽然自适应控制方法对振荡压力《的幅值有一定的抑制作用，但是并没有使得《 的幅值收敛到一个最小值；而采用本发明提出的控制方法使得燃烧室内的平均 燃空比值f和振荡压力《的幅值都收敛至它们的最小值。
最后应说明的是，以上实施例仅用以说明本发明的技术方案及此控制技术 的有效性，但并不限于此，而是在应用上可以延伸到其他的修改、变化、应用 和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的 精神和范围内。
权利要求
1、一种基于混沌退火和参数扰动的神经网络极值控制方法，其特征包括步骤10)、将极值搜索系统的控制问题转化为求解此被控系统的输出函数中斜率为零的极值点问题；步骤20)、根据所述的极值点求解问题，构造一对具有约束条件的对偶问题；步骤30)、根据所述的具有约束条件的对偶问题，建立一种基于混沌退火和参数扰动的神经网络极值控制方法；步骤40)、通过所述的神经网络极值控制方法的求解，可以得到全局最优的搜索变量；步骤50)、根据所得的全局最优的搜索变量，驱使极值搜索系统的输出值收敛至输出函数的全局极值点，从而实现极值搜索系统的控制目的。
2、 权利要求l的方法，其中，步骤20)进一步包括根据所述的极值点求 解问题，确定一个具有约束条件的最小化极值问题，应用对偶控制理论，存在 另 一个具有约束条件的最大化极值问题，从而形成一对具有约束条件的对偶问 题。
3、 权利要求l的方法，其中，步骤30)进一步包括三个不同的搜索控制阶段步骤310 )、此极值控制方法的初始阶段属于混沌退火搜索阶段,利用Lorenz 模型产生的混沌噪声，直接将其引入至具有参数扰动的神经网络中，通过不断 衰减混沌噪声的幅度与混沌噪声的接受概率来实现混沌退火的搜索过程；步骤320 )、此极值控制方法的中间阶段属于M扰动搜索阶段，利用参数 扰动策略，使神经网络的输出值暂时摆脱初始搜索阶段的收敛点的吸引，从而 验证初始的收敛点是否为全局极值点。通过参数扰动因子的逐渐衰减，使搜索 过程逐渐进入极值控制方法的最终阶段；步骤330 )、此极值控制方法的最终阶段属于神经网络的精搜索阶段，利用 神经网络自身的收敛性使极值搜索系统的搜索变量准确和渐近地收敛至它的全 局极值点。
4、 一种基于混沌退火和参数扰动的神经网络极值控制系统，其特征包括模型仿真模式和实时控制模式。
5、 权力要求4的系统，其中，模型仿真模式用于确定基于混沌退火和^ 扰动的神经网络极值控制方法中的各种调节参数，-验证所述控制方法在不同极 值搜索系统和各种函数优化问题中的全局搜索和控制能力。
6、 权力要求4的系统，其中，实时控制模式通过反馈接受极值搜索被控系 统的实测信号，利用基于混沌退火和参数扰动的神经网络极值控制方法，实时 计算出相应的控制信号，用于控制极值搜索系统的输出值渐近收敛至输出函数 的全局极值点。
7、 权力要求4的系统，其中，所述模型仿真模式和实时控制模式不仅对已 保存的极值搜索系统具有极值控制能力，而且可以扩展接受新的极值搜索系统 模型，并对其进行极值控制。
8、 权力要求4的系统，其中，由所述实时控制模式构成的实时极值搜索控 制系统进一步包括多通道传感器机构、数据采集模块、数字信号驱动机构、 数模转换机构、电压与功率放大器和执行机构。
9、 权力要求4的系统，其中，所述的实时极值搜索控制模式中的多通道传 感器机构可以测量包括温度、压力、距离、转速、角度等多种状态信号；数
全文摘要
本发明提出一种基于混沌退火和参数扰动的神经网络极值控制方法及系统，控制方法采取将极值搜索系统的控制问题转化为求解此被控系统的输出函数中斜率为零的极值点问题；根据所述的极值点求解问题，构造一对具有约束条件的对偶问题；建立一种基于混沌退火和参数扰动的神经网络求解对偶问题，其中包括混沌退火初始搜索阶段、参数扰动中间搜索阶段和神经网络的最终搜索阶段；通过所述的神经网络极值控制方法的求解，可以得到全局最优的搜索变量；根据所得的全局最优的搜索变量，驱使极值搜索系统的输出值收敛至输出函数的全局极值点，从而实现极值搜索系统的控制目的。本发明提出的控制系统分为模型仿真模式和实时控制模式，分别从离线模型仿真和实时系统控制两方面，实现本发明所述控制方法在极值搜索系统中的应用。
文档编号G05B13/02GK101408752SQ20081016948
公开日2009年4月15日 申请日期2008年10月21日 优先权日2008年10月21日
发明者斌 左, 静 李, 胡云安 申请人:中国人民解放军海军航空工程学院