控制算法

1 PID

PID控制器由比例单元（P）、积分单元（I）和微分单元（D）组成。其输入e(t）与输出u(t）的关系为：
u(t)=kp[e(t)+1/TI∫e(t)dt+TDde(t)/dt]式中积分的上下限分别是t和0
因此它的传递函数为：G(s)=U(s)/E(s)=kp[1+1/(TIs)+TD*s]
其中kp为比例系数；TI为积分时间常数；TD为微分时间常数。

开环控制
开环控制系统（open-loop control system）是指被控对象的输出（被控制量）对控制器（controller）的输入没有影响。在这种控制系统中，不依赖将被控量返送回来以形成任何闭环回路。
闭环控制
闭环控制系统（closed-loop control system）是指被控对象的输出（被控制量）会反送回来影响控制器的输入，形成一个或多个闭环。闭环控制系统有正反馈和负反馈，若反馈信号与系统给定值信号相反，则称为负反馈（Negative Feedback），若极性相同，则称为正反馈，一般闭环控制系统均采用负反馈，又称负反馈控制系统。闭环控制系统的例子很多。比如人就是一个具有负反馈的闭环控制系统，眼睛便是传感器，充当反馈，人体系统能通过不断的修正最后作出各种正确的动作。如果没有眼睛，就没有了反馈回路，也就成了一个开环控制系统。另例，当一台真正的全自动洗衣机具有能连续检查衣物是否洗净，并在洗净之后能自动切断电源，它就是一个闭环控制系统。
阶跃响应
阶跃响应是指将一个阶跃输入（step function）加到系统上时，系统的输出。稳态误差是指系统的响应进入稳态后，系统的期望输出与实际输出之差。控制系统的性能可以用稳、准、快三个字来描述。稳是指系统的稳定性（stability），一个系统要能正常工作，首先必须是稳定的，从阶跃响应上看应该是收敛的；准是指控制系统的准确性、控制精度，通常用稳态误差（Steady-state error）来描述，它表示系统输出稳态值与期望值之差；快是指控制系统响应的快速性，通常用上升时间来定量描述。

2 滑模

滑模变结构控制的原理，是根据系统所期望的动态特性来设计系统的切换超平面，通过滑动模态控制器使系统状态从超平面之外向切换超平面收束。系统一旦到达切换超平面，控制作用将保证系统沿切换超平面到达系统原点，这一沿切换超平面向原点滑动的过程称为滑模控制。由于系统的特性和参数只取决于设计的切换超平面而与外界干扰没有关系，所以滑模变结构控制具有很强的鲁棒性。超平面的设计方法有极点配置，特征向量配置设计法，最优化设计方法等，所设计的切换超平面需满足达到条件，即系统在滑模平面后将保持在该平面的条件。控制器的设计有固定顺序控制器设计、自由顺序控制器设计和最终滑动控制器设计等设计方法[1]。以N维状态空间模型为例，采用极点配置方法得到M(N<M)维切换超平面，控制器采用固定顺序控制器的设计方式，首先控制器控制任意点到Q1超平面（M维）形成M-1阶滑动模态，系统到达Q1超平面后由于该平面的达到条件而保持在该超平面上所以后面的超平面将是该超平面的子集；然后控制器采用Q1对应的控制规则驱动到Q1与Q2交接的Q12平面（M-1维）得到M-2滑动模态，然后在Q12对应的控制规则驱动下到Q12与Q3交接的Q123平面（M-2维），依次到Q123…m平面，得到最终的滑模，系统在将在达到条件下保持在该平面，使系统得到期望的性能。

在系统控制过程中，控制器根据系统当时状态，以跃变方式有目的地不断变换，迫使系统按预定的“ 滑动模态 ” 的状态轨迹运动。变结构是通过切换函数实现的，特别要指出的是，通常要求切换面上存在滑动模态区，故变结构控制又常被称为滑动模态控制。设计变结构控制系统基本可分为两步：
确定切换函数 S ( x)
即开关面，使它所确定的滑动模态渐近稳定且有良好的品质，开关面代表了系统的理想动态特性。
设计滑模控制器
设计滑模控制器，使到达条件得到满足，从而使趋近运动 (非滑动模态 )于有限时间到达开关面，并且在趋近的过程中快速、 抖振小。

3 模型预测（MPC）

MPC是一种多变量控制策略，其中涉及了：
过程内环动态模型；控制量的历史数值；在预测区间上的一个最优值方程J。最优控制量可由以上各量求出。
MPC最大的特点在于，相对于LQR控制而言，MPC可以考虑空间状态变量的各种约束，而LQR，PID等控制只能够考虑输入输出变量的各种约束。
MPC可应用于线性和非线性系统。

4 人工神经网络

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：

前向网络
网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。
反馈网络
网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。
学习类型
学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。根据环境的变化，对权值进行调整，改善系统的行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。
分类
根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。当样本情况发生变化时，经学习可以修改权值以适应新的环境。使用监督学习的神经网络模型有反传网络、感知器等。非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。此时，学习规律的变化服从连接权值的演变方程。非监督学习最简单的例子是Hebb学习规则。竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型。

5 最优控制

最优控制是指在给定的约束条件下，寻求一个控制，使给定的系统性能指标达到极大值(或极小值)。它反映了系统有序结构向更高水平发展的必然要求。它属于最优化的范畴，与最优化有着共同的性质和理论基础。对于给定初始状态的系统，如果控制因素是时间的函数，没有系统状态反馈，称为开环最优控制，如果控制信号为系统状态及系统参数或其环境的函数，称为自适应控制。

从数学上看，确定最优控制问题可以表述为：在运动方程和允许控制范围的约束下，对以控制函数和运动状态为变量的性能指标函数（ 称为泛函 ） 求取极值（ 极大值或极小值）。解决最优控制问题的主要方法有古典 [3] 变分法（对泛函求极值的一种数学方法）、极大值原理和动态规划。最优控制已被应用于综合和设计最速控制系统、最省燃料控制系统、最小能耗控制系统、线性调节器等。
研究最优控制问题有力的数学工具是变分理论，而经典变分理论只能够解决控制无约束的问题，但是工程实践中的问题大多是控制有约束的问题，因此出现了现代变分理论。

6模糊控制

为了实现对直线电机运动的高精度控制，系统采用全闭环的控制策略，但在系统的速度环控制中，因为负载直接作用在电机而产生的扰动，如果仅采用 PID 控制，则很难满足系统的快速响应需求。由于模糊控制技术具有适用范围广、对时变负载具有一定的鲁棒性的特点，而直线电机伺服控制系统又是一种要求要具有快速响应性并能够在极短时间内实现动态调节的系统，所以本文考虑在速度环设计了PID模糊控制器，利用模糊控制器对电机的速度进行控制，并同电流环和位置环的经典控制策略一起来实现对直线电机的精确控制。
模糊控制器包括四部分：
(1)模糊化。
主要作用是选定模糊控制器的输入量，并将其转换为系统可识别的模糊量，具体包含以下三步：
第一，对输入量进行满足模糊控制需求的处理;
第二，对输入量进行尺度变换;
第三，确定各输入量的模糊语言取值和相应的隶属度函数。
(2)规则库。
根据人类专家的经验建立模糊规则库。模糊规则库包含众多控制规则，是从实际控制经验过渡到模糊控制器的关键步骤。
(3)模糊推理。
主要实现基于知识的推理决策。
(4)解模糊。
主要作用是将推理得到的控制量转化为控制输出。

最后

以上就是复杂老虎为你收集整理的控制算法总结控制算法的全部内容，希望文章能够帮你解决控制算法总结控制算法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。