In this chapter, the motivations in

In this chapter, the motivations in the use of metaheuristic methods in the
Automatic Control field are presented. Compared with traditional approaches,
the use of these methods does not require the reformulation of the initial
control problem and allows the optimization of the control laws. A brief
description of the book contents is also provided.
1.1. Introduction: automatic control and optimization
Links between automatic control and optimization are very strong
as optimization methods are often the core of automatic control
methodologies. Indeed, optimization has traditionally brought efficient
methods to identify system models, to compute control laws, to
analyze system stability and robustness, etc.
Because of the required tractability of the corresponding
optimization problems, traditional approaches are usually based on the
definition of a simplified model of the plant to control. The simplified
model may rely, for instance, on the use of a linearized plant about an
equilibrium point and neglected dynamics. Making these
simplifications, the model is expressed by a linear and low-order
system. Such a simplified model can be used for the computation of
the control law using a particular mathematical framework. In parallel,
an optimization problem expressing the desired performance and
constraints is defined. Special attention is paid to the structures of the
model and the optimization problem so as to be able to solve it with
exact and deterministic solvers. Several examples can be given for
such an approach.
This is the case for the linear quadratic method, belonging to the
class of optimal control methods [KWA 72]: a linear model of the
system is used, and the optimization of a quadratic cost is performed.
The quadratic cost is the sum of two weighted factors, one for the
reference tracking and another for the energy consumption. For this
particular problem, the optimal solution can be analytically found with
the help of Riccati equations.
More recently, H2/H∞ synthesis methods have been developed
[ZHO 96]. The approach is also based on a linear model of the plant,
and the problem is expressed as the minimization of the H∞ norm of
the closed-loop system. Reformulations are used so as to express the
problem in a linear matrix inequality (LMI) framework, for which the
required solvers can be used. Another trend is the use of the Youla–
Kucera parameterization [FRA 87]. This parameterization allows us to
parameterize all the controllers stabilizing a given plant. Using this
property, it is possible to find an “optimal” controller by solving a
convex optimization problem.
Finally, we can also mention predictive control [MAC 02]. Once
again using linear models and quadratic costs, and knowing the desired
output in advance, it is possible to compute an optimal discrete controller,
once again weighting the reference tracking and the energy consumption.
In the general case (nonlinear model of the system), the method depends
on the online solution to an optimization problem. Using a linear
model and a quadratic cost allows us to exploit the solution and hence
to make most of the computation in an offline procedure.
As said earlier, for all these traditional approaches, a linear model
of the plant is used, and a particular structure for the mathematical
formulation of costs and constraints is required. However, considering
real-life problems with high-level specifications, this reformulation
step is not straightforward, and hence some of them cannot be directly
taken into account. In this case, these specifications are not first
considered in the design procedure and have to be checked a
posteriori during an analysis phase. This approach may lead to some
iteration between the synthesis and the analysis phases, which is time
consuming and may require a high level of expertise to adapt the
tuning parameters. This aspect has often limited the introduction of
advanced control methods such as the H∞ synthesis in the industry
community.
Nowadays, three main points have to be considered. First, systems
to be controlled are more and more complex, and it is not always
possible to define linear models that cover all the aspects of their
behavior. Further, interconnections between subsystems have to be
dealt with, and so the order of the model increases. Then,
specifications are more and more various and precise, and it appears to
be crucial to take them into account as soon as possible in the
synthesis phase. Finally, industries not only want to find a controller
that satisfies the desired specifications, but also a controller that
optimizes them. Even if a problem can be easy to solve for given
values of the tuning parameters (given values for the weighting
matrices of a linear quadratic regulator, for instance), finding the best
tuning parameters is a hard task. Indeed, the corresponding
optimization problems are non-convex and non-differentiable, with
numerous local optima. Some attempts have been made with subgradient
methods [LAS 05], or non-smooth optimization [BUR 06],
achieving interesting results. However, these proposed methods
remain local search methods; as a result, they are strongly dependent
on the initial point.
1.2. Motivations to use metaheuristic algorithms
Considering the elements given in section 1.1, two main
motivations for the use of stochastic methods and metaheuristic
optimization algorithms in automatic control have emerged.
First, we want to avoid the reformulation step of the constraints
into a particular mathematical framework. This aspect could bring
several advantages:
– The reformulation of costs and constraints is time consuming.
– The reformulation requires expertise.
– As some constraints cannot be reformulated into a given
mathematical framework, an iteration of synthesis and a posteriori
analysis phases has to be done.
Second, we want not only to tune a controller that satisfies some
specifications, but also to optimize the behavior of the system (for
instance, we want to find the controller for which the time response is
as low as possible while constraints on robustness and energy
consumption are still satisfied). Very often, the problem of controller
design with fixed tuning parameters can be exactly solved. It is the
case for the H∞ methodology, where the synthesis of the controller is a
convex problem for given weighting filters. We will see in Chapter 4
that in this case, the traditional oriented “trial and error” procedure is a
way to optimize the tuning. Optimizing the tuning parameters is a
natural extension, but it is really not straightforward as good
mathematical properties, such as convexity, are lost.
To achieve these goals, the use of metaheuristic optimization
seems to be an interesting alternative to traditional approaches.
Indeed, such algorithms are supposed to optimize any cost and
constraints, whatever their mathematical structure. In particular, they
do not require the possibility of evaluating gradient information. The
only required point is the possibility of evaluating the costs and the
constraints or a given choice of optimization variables. Reformulation
is no longer necessary, and the optimization of traditional methods
becomes possible.
Of course, the main drawback of these methods is the fact that no
guarantee can be given regarding the actual optimality of the solution.
Several arguments can be made to answer this point:
– When designing a controller, the overall optimality is not so
important: having an algorithm that is able to find a controller, which
satisfies all the constraints, with no need for reformulation, and which
is better than a controller tuned by hand, is already a great challenge
for the industry community and so a great opportunity for the
academic world.
– Using a metaheuristic algorithm allows us to approximately solve
the initial problem. In the traditional approach, the exact solution is
found, but for a reformulated problem, which is often not equivalent
to the initial problem. Finally, the optimality with respect to the initial
problem is not guaranteed even with the traditional approach.
– The metaheuristic algorithm can sometimes be considered as a
first step in the optimization procedure. This first step allows us to
compute an initial point for a deterministic optimization algorithm that
gives the local optimality property but for which the quality of the
solution strongly depends on the initial point.
1.3. Organization of the book
The book is divided into four main chapters describing various
aspects of the use of metaheuristic algorithms in the automatic control
field.
Chapter 2 deals with one of the first steps in the design of
automatic control laws, which is the identification of the system
model. The classical approach is concerned with the identification of
the model parameters, the structure of the model being an a priori
choice based on physical or field-knowledge considerations. In this
chapter, we consider the case where this model structure is not known.
Hence, the goal is to identify both model structure and parameters,
which is referred to in the literature as symbolic regression. An ant
colony algorithm is developed for this purpose. The solution uses the
tree representation of functions.
Chapter 3 discusses the tuning of proportional integral derivative
(PID) controllers. Such controllers are the most common controllers in
the industry community because of their ability to achieve satisfying
trade-offs between stability, rapidity and precision of the closed loop.
Numerous methods do exist to tune such controllers. However, the
optimization of the closed-loop behavior remains an open problem,
especially if numerous constraints have to be taken into account. In
this chapter, a particle swarm optimization is used to obtain
satisfactory results. An extension to multi-objective optimization is
also presented.
In Chapter 4, an advanced control method is considered, namely
the H∞ methodology. This m

ผลลัพธ์ (ไทย) 1:

ในบทนี้ โต่งในการใช้วิธี metaheuristic ในการมีแสดงเขตข้อมูลตัวควบคุมโดยอัตโนมัติ เปรียบเทียบกับวิธีดั้งเดิมการใช้วิธีการเหล่านี้ต้อง reformulation ของต้นควบคุมปัญหา และช่วยให้เพิ่มประสิทธิภาพของกฎหมายควบคุมการ ย่อยังมีให้คำอธิบายของเนื้อหาหนังสือ1.1. บทนำ: การควบคุมอัตโนมัติและเพิ่มประสิทธิภาพเชื่อมโยงระหว่างการควบคุมอัตโนมัติและปรับให้เหมาะสมมีความแข็งแรงมากเป็นการเพิ่มประสิทธิภาพ วิธีมักหลักของตัวควบคุมอัตโนมัติหลักสูตร แน่นอน ปรับให้เหมาะสมมีประเพณีนำมีประสิทธิภาพวิธีการระบุแบบจำลองระบบ การคำนวณที่กฎหมายควบคุม การวิเคราะห์ระบบความมั่นคง และเสถียรภาพ ฯลฯเพราะ tractability ต้องของให้สอดคล้องกับเพิ่มประสิทธิภาพปัญหา วิธีดั้งเดิมมักจะอยู่กับคำจำกัดความแบบง่ายของโรงงานควบคุม ที่เรียบง่ายแบบจำลองอาจอาศัย เช่น การใช้พืช linearized เกี่ยวกับการจุดสมดุลและ dynamics ที่ถูกละเลย ห้องพักเหล่านี้ลในเรื่องง่าย แบบจำลองจะแสดงเป็นเส้น และต่ำสั่งระบบ สามารถใช้สำหรับการคำนวณแบบง่ายกฎหมายควบคุมการใช้เฉพาะกรอบงานทางคณิตศาสตร์ พร้อมกันมีปัญหาเพิ่มประสิทธิภาพแสดงผลการดำเนินงานที่ระบุ และมีกำหนดข้อจำกัด ความสนใจพิเศษจ่ายให้โครงสร้างของการรูปแบบและปัญหาเพิ่มประสิทธิภาพเพื่อสามารถแก้ไขด้วยที่กระฉับกระเฉงแก้ deterministic และแน่นอน สามารถให้ตัวอย่างหลาย ๆดังกล่าวเป็นแนวทางการกรณีนี้สำหรับวิธีกำลังสองเส้น เป็นของเรียนวิธีการควบคุมที่ดีที่สุด [KWA 72]: แบบจำลองเชิงเส้นของการใช้ระบบ และดำเนินการเพิ่มประสิทธิภาพของต้นทุนกำลังสองต้นทุนกำลังสองเป็นจำนวนสองถ่วงน้ำหนักปัจจัย หนึ่งในการติดตามการอ้างอิงและการใช้พลังงานอีก ในการนี้ปัญหาเฉพาะ โซลูชั่นเหมาะสมสามารถ analytically พบกับความช่วยเหลือของสมการ Riccatiเมื่อเร็ว ๆ นี้ ได้รับการพัฒนาวิธีการสังเคราะห์ H2/H∞[ZHO 96] ยังใช้วิธีการในรูปแบบเชิงเส้นของโรงงานและปัญหาจะแสดงเป็นการลดภาระของปกติ H∞ ของระบบลูปปิด Reformulations จะใช้เพื่อแสดงการปัญหาในเมตริกซ์เชิงเส้นอสมการ (LMI) กรอบ ที่สามารถใช้ที่กระฉับกระเฉงแก้ต้อง แนวโน้มอื่นคือ การใช้ของ Youla-คาร์ parameterization [FRA 87] Parameterization นี้ช่วยให้เราparameterize ตัวควบคุมทั้งหมดที่ stabilizing โรงงานกำหนด ใช้นี้คุณสมบัติ จำเป็นต้องค้นหาตัวควบคุม "เหมาะสม" โดยแก้เป็นเพิ่มประสิทธิภาพนูนปัญหาสุดท้าย เรายังสามารถพูดงานควบคุม [MAC 02] ครั้งอีกครั้ง โดยใช้แบบจำลองเชิงเส้นและต้นทุนกำลังสอง และที่ต้องรู้ผลผลิตล่วงหน้า จะสามารถคำนวณตัวควบคุมแยกกันเหมาะสมครั้งน้ำหนักอ้างอิงในการติดตามและการใช้พลังงานในกรณีทั่วไป (แบบไม่เชิงเส้นของระบบ), วิธีการขึ้นอยู่ในโซลูชั่นออนไลน์ปัญหาการเพิ่มประสิทธิภาพ ใช้เป็นเส้นรูปแบบและมีต้นทุนกำลังสองช่วยให้เราสามารถใช้โซลูชัน และดังนั้นให้มากที่สุดของการคำนวณในขั้นตอนการทำงานแบบออฟไลน์ที่กล่าวก่อนหน้านี้ สำหรับทั้งหมดเหล่านี้ดั้งเดิมวิธี แบบจำลองเชิงเส้นของใช้ และโครงสร้างเฉพาะในทางคณิตศาสตร์จำเป็นต้องใช้กำหนดต้นทุนและข้อจำกัด อย่างไรก็ตาม พิจารณาปัญหาในชีวิตจริง ด้วยคุณสมบัติระดับสูง reformulation นี้ขั้นตอนไม่ตรงไปตรงมา และดังนั้น บางส่วนของพวกเขาไม่สามารถโดยตรงนำมาพิจารณา ในกรณีนี้ ข้อกำหนดเหล่านี้ไม่ใช่ครั้งแรกพิจารณาในขั้นตอนการออกแบบ และต้องมีการตรวจสอบการposteriori ระหว่างขั้นตอนการวิเคราะห์ วิธีการนี้อาจทำให้บางเกิดซ้ำระหว่างการสังเคราะห์และวิเคราะห์ระยะ ซึ่งเป็นเวลาบริโภค และอาจเชี่ยวชาญในการปรับระดับการปรับแต่งพารามิเตอร์ ด้านนี้มักจะมีจำกัดแนะนำวิธีการควบคุมขั้นสูงเช่นการสังเคราะห์ H∞ ในอุตสาหกรรมชุมชนปัจจุบัน จุดหลัก 3 จุดได้เป็น ระบบแรกจะ ควบคุมได้มากขึ้น และเพิ่มเติมซับซ้อน และมันไม่เสมอสามารถกำหนดรูปแบบเส้นที่ครอบคลุมทุกด้านของตนลักษณะการทำงาน เพิ่มเติม interconnections ระหว่างย่อยจำเป็นต้องและ เพื่อเพิ่มใบสั่งแบบ แล้วรายละเอียดมีมากขึ้น และหลากหลายมากขึ้น และ แม่นยำ และปรากฏจะต้องนำค่านี้ไปโดยเร็วที่สุดในการขั้นตอนการสังเคราะห์ สุดท้าย อุตสาหกรรมไม่ต้องค้นหาตัวควบคุมที่เป็นไปตามข้อกำหนดที่ระบุ แต่ตัวควบคุมที่เพิ่มประสิทธิภาพให้ แม้ว่าปัญหาอาจจะหา ให้ค่าของพารามิเตอร์ปรับแต่ง (ให้ค่าน้ำหนักเมทริกซ์ตัวควบคุมกำลังสองเส้น ตัวอย่าง), ค้นหาดีที่สุดการปรับแต่งพารามิเตอร์เป็นงานที่ยาก จริง ให้สอดคล้องกับปัญหาการเพิ่มประสิทธิภาพจะไม่นูน และไม่-differentiable ด้วยพติท้องถิ่นจำนวนมาก บางครั้งทำ ด้วย subgradientวิธีการ [05 ลา], หรือปรับให้เหมาะสมไม่เรียบ [บูร์ 06],บรรลุผลที่น่าสนใจ อย่างไรก็ตาม เหล่านี้นำเสนอวิธีการยังคง วิธีการค้นหาท้องถิ่น เป็นผล จะขอขึ้นในจุดเริ่มต้น1.2. โต่งใช้อัลกอริทึม metaheuristicพิจารณาองค์ประกอบที่กำหนดในหัวข้อ 1.1 หลักสองโต่งใช้วิธีสโทแคสติก และ metaheuristicอัลกอริทึมการเพิ่มประสิทธิภาพในการควบคุมอัตโนมัติได้เกิดครั้งแรก เราต้องการหลีกเลี่ยงขั้นตอน reformulation ของข้อจำกัดในกรอบงานทางคณิตศาสตร์โดยเฉพาะ ด้านนี้สามารถนำมาข้อดีหลายประการ:Reformulation –ค่าใช้จ่ายและข้อจำกัดเป็นเวลานาน– Reformulation ที่ต้องใช้ความเชี่ยวชาญ-ว่าไม่มีข้อจำกัดบางอย่างในการกำหนดกรอบทางคณิตศาสตร์ การเกิดซ้ำของการสังเคราะห์ และ posteriori เป็นขั้นตอนการวิเคราะห์สามารถทำได้สอง เราต้องไม่เพียงแต่การปรับแต่งตัวควบคุมที่ตรงบางข้อกำหนด แต่ยัง เพื่อเพิ่มประสิทธิภาพการทำงานของระบบ (สำหรับอินสแตนซ์ ที่เราต้องการค้นหาตัวควบคุมที่มีการตอบสนองเวลาต่ำสุดที่เป็นไปได้ในขณะที่ข้อจำกัดของเสถียรภาพและพลังงานใช้ได้ยังพอ) บ่อย ปัญหาของตัวควบคุมออกแบบปรับแต่งพารามิเตอร์ถาวรสามารถสามารถแก้ไขได้แน่นอน มันเป็นการกรณีสำหรับวิธี H∞ ซึ่งเป็นการสังเคราะห์ตัวควบคุมแบบปัญหานูนรับน้ำหนักตัวกรอง เราจะเห็นในบทที่ 4ว่า ในกรณีนี้ แบบดั้งเดิมที่มุ่งเน้นกระบวนการ "ลองผิดลองถูก" เป็นการวิธีการเพิ่มประสิทธิภาพการปรับแต่ง เพิ่มประสิทธิภาพปรับแต่งพารามิเตอร์เป็นการต่อธรรมชาติ แต่มันไม่จริงตรงไปตรงมาเป็นดีคุณสมบัติทางคณิตศาสตร์ เช่น convexity จะสูญหายไปเพื่อให้บรรลุเป้าหมายเหล่านี้ ใช้ของ metaheuristicน่าจะ เป็นทางเลือกที่น่าสนใจวิธีดั้งเดิมแน่นอน อัลกอริทึมดังกล่าวควรปรับต้นทุนใด ๆ และข้อจำกัด สิ่งของโครงสร้างทางคณิตศาสตร์ โดยเฉพาะอย่างยิ่ง พวกเขาต้องสามารถประเมินข้อมูลที่ละเอียด ที่เดียวก็ต้องสามารถประเมินต้นทุนและข้อจำกัดหรือการเลือกกำหนดตัวแปรเพิ่มประสิทธิภาพ Reformulationไม่จำเป็น และการเพิ่มประสิทธิภาพของวิธีการแบบดั้งเดิมจะเป็นไปได้แน่นอน ข้อเสียเปรียบหลักของวิธีการเหล่านี้คือ ความจริงที่ไม่จะได้รับการรับประกันเกี่ยวกับ optimality จริงของการแก้ปัญหาหลายอาร์กิวเมนต์จะตอบจุดนี้:เมื่อออกแบบตัวควบคุม optimality โดยรวมไม่ใช่เพื่อความสำคัญ: มีขั้นตอนวิธีที่สามารถค้นหาตัวควบคุม การตรงทุกข้อจำกัด โดยไม่จำเป็นสำหรับ reformulation และที่ดีกว่าตัวควบคุมปรับด้วยมือ แล้วเป็นสิ่งที่ท้าทายมากชุมชนอุตสาหกรรมและเพื่อโอกาสที่ดีสำหรับการโลกศึกษา– ใช้อัลกอริทึม metaheuristic ช่วยให้เราสามารถประมาณแก้ปัญหาเริ่มต้น ในวิธีแบบดั้งเดิม การแก้ปัญหาที่แน่นอนคือพบ แต่มี ปัญหา reformulated ซึ่งมักจะไม่เทียบเท่าปัญหาเริ่มต้น สุดท้าย optimality กับต้นไม่มีรับประกันปัญหาแม้ว่าจะ มีวิธีแบบดั้งเดิมอัลกอริทึม metaheuristic –บางครั้งถือได้ว่าเป็นการขั้นตอนแรกในกระบวนการปรับให้เหมาะสม ขั้นตอนแรกนี้ให้เราคำนวณเป็นจุดเริ่มต้นสำหรับขั้นตอนวิธีในการเพิ่มประสิทธิภาพ deterministic ที่ให้คุณสมบัติ optimality ท้องถิ่นแต่ที่คุณภาพของการโซลูชันที่ขึ้นอยู่กับจุดเริ่มต้นขอ1.3 การจัดหนังสือหนังสือแบ่งออกเป็นสี่บทหลักอธิบายต่าง ๆด้านการใช้อัลกอริทึม metaheuristic ในตัวควบคุมโดยอัตโนมัติฟิลด์บทที่ 2 เกี่ยวข้องกับหนึ่งในขั้นตอนแรกในการออกแบบกฎหมายควบคุมอัตโนมัติ ซึ่งเป็นรหัสของระบบแบบจำลอง วิธีคลาสสิกเกี่ยวข้องกับรหัสของพารามิเตอร์รูปแบบ โครงสร้างของรูปแบบเป็นการใช้ prioriเลือกตามพิจารณากาย หรือเขตข้อมูล-ความรู้ ในที่นี้บทที่ เราพิจารณากรณีที่โครงสร้างแบบนี้ไม่ทราบดังนั้น เป้าหมายคือการ ระบุโครงสร้างรูปแบบและพารามิเตอร์ซึ่งถูกอ้างถึงในวรรณคดีเป็นสัญลักษณ์การถดถอย มดเป็นพัฒนาอัลกอริทึมอาณานิคมสำหรับวัตถุประสงค์นี้ ใช้การแก้ปัญหาทรีของฟังก์ชันบทที่ 3 กล่าวถึงการปรับสัดส่วนเป็นอนุพันธ์(PID) ตัวควบคุม ตัวควบคุมดังกล่าวเป็นตัวควบคุมทั่วไปในชุมชนอุตสาหกรรมเนื่องจากความสามารถในการบรรลุความพึงพอใจทางเลือกระหว่างความมั่นคง rapidity และความแม่นยำของลูปปิดวิธีการต่าง ๆ มีการปรับแต่งตัวควบคุมดังกล่าว อย่างไรก็ตาม การเพิ่มประสิทธิภาพของลักษณะการทำงานของลูปปิดยังคง มีปัญหาเปิดโดยเฉพาะอย่างยิ่งถ้ามีข้อจำกัดมากมายเพื่อนำมาพิจารณา ในบทนี้ เพิ่มประสิทธิภาพฝูงอนุภาคที่ใช้ในการรับผลที่น่าพอใจ เป็นส่วนขยายเพื่อเพิ่มประสิทธิภาพหลายวัตถุประสงค์นอกจากนี้ยัง มีการนำเสนอในบทที่ 4 วิธีการควบคุมขั้นสูงถือว่าเป็น คือวิธีการ H∞ M นี้

ผลลัพธ์ (ไทย) 2:

ในบทนี้แรงจูงใจในการใช้วิธี metaheuristic
ในที่เขตควบคุมอัตโนมัติที่นำเสนอ เมื่อเทียบกับวิธีการแบบดั้งเดิม,
การใช้วิธีการเหล่านี้ไม่จำเป็นต้อง reformulation
ของการเริ่มต้นปัญหาการควบคุมและช่วยเพิ่มประสิทธิภาพของกฎหมายควบคุม สั้น ๆ
รายละเอียดของเนื้อหาหนังสือเล่มนี้ยังมีให้.
1.1 บทนำ:
การควบคุมอัตโนมัติและการเพิ่มประสิทธิภาพการเชื่อมโยงระหว่างการควบคุมอัตโนมัติและการเพิ่มประสิทธิภาพมีความแข็งแรงมากเป็นวิธีการเพิ่มประสิทธิภาพมักจะเป็นแกนหลักของการควบคุมอัตโนมัติวิธีการ อันที่จริงการเพิ่มประสิทธิภาพได้นำประเพณีที่มีประสิทธิภาพวิธีการที่จะระบุรุ่นของระบบการคำนวณกฎหมายควบคุมการวิเคราะห์เสถียรภาพของระบบและความทนทานฯลฯเพราะสามารถจัดการได้ง่ายจำเป็นที่สอดคล้องกันของปัญหาการเพิ่มประสิทธิภาพของวิธีการแบบดั้งเดิมมักจะขึ้นอยู่กับความหมายของรูปแบบที่เรียบง่ายของพืชที่จะควบคุม ประยุกต์รูปแบบอาจพึ่งพาตัวอย่างเช่นในการใช้พืช linearized เกี่ยวกับจุดสมดุลและการเปลี่ยนแปลงที่ถูกทอดทิ้ง ทำเหล่านี้simplifications รูปแบบจะแสดงโดยเส้นและต่ำการสั่งซื้อระบบ ดังกล่าวเป็นรูปแบบที่เรียบง่ายสามารถนำมาใช้ในการคำนวณของกฎหมายควบคุมโดยใช้กรอบทางคณิตศาสตร์โดยเฉพาะอย่างยิ่ง ในแบบคู่ขนานปัญหาการเพิ่มประสิทธิภาพการแสดงผลการดำเนินงานที่ต้องการและข้อจำกัด ที่กำหนดไว้ ความสนใจเป็นพิเศษคือจ่ายให้กับโครงสร้างของรูปแบบและปัญหาการเพิ่มประสิทธิภาพเพื่อให้สามารถที่จะแก้ปัญหาได้ด้วยการแก้ที่แน่นอนและกำหนด หลายตัวอย่างจะได้รับสำหรับ. วิธีการดังกล่าวเป็นกรณีนี้สำหรับวิธีการสมการเชิงเส้นเป็นของชั้นเรียนของวิธีการควบคุมที่ดีที่สุด[KWA 72]: รูปแบบเชิงเส้นของระบบถูกนำมาใช้และการเพิ่มประสิทธิภาพของค่าใช้จ่ายที่เป็นกำลังสองเป็นดำเนินการ. ค่าใช้จ่ายกำลังสองคือผลรวมของทั้งสองปัจจัยถ่วงน้ำหนักหนึ่งสำหรับการติดตามการอ้างอิงและอื่น ๆ สำหรับการใช้พลังงาน สำหรับวันนี้ปัญหาที่เกิดขึ้นโดยเฉพาะอย่างยิ่งทางออกที่ดีที่สุดที่สามารถพบได้วิเคราะห์ด้วยความช่วยเหลือของสมการRiccati ได้. เมื่อเร็ว ๆ นี้ H2 / H∞วิธีการสังเคราะห์ได้รับการพัฒนา[ZHO 96] วิธีการยังขึ้นอยู่กับรูปแบบเชิงเส้นของโรงงานและปัญหาที่เกิดขึ้นจะแสดงเป็นการลดของH∞บรรทัดฐานของระบบวงปิด reformulations ถูกนำมาใช้เพื่อที่จะแสดงปัญหาความไม่เท่าเทียมกันในเมทริกซ์เชิงเส้น(LMI) กรอบซึ่งแก้ต้องสามารถนำมาใช้ แนวโน้มอีกประการหนึ่งคือการใช้ Youla- parameterization Kucera [FRA 87] parameterization นี้ช่วยให้เราparameterize ควบคุมทุกการรักษาเสถียรภาพของพืชที่กำหนด นี้โดยใช้สถานที่ให้บริการก็เป็นไปได้ที่จะหา "ดีที่สุด" ควบคุมโดยการแก้ปัญหาการเพิ่มประสิทธิภาพนูน. สุดท้ายเรายังสามารถพูดถึงการควบคุมการทำนาย [MAC 02] เมื่ออีกครั้งโดยใช้แบบจำลองเชิงเส้นและค่าใช้จ่ายในการกำลังสองและรู้ที่ต้องการส่งออกล่วงหน้าก็เป็นไปได้ในการคำนวณตัวควบคุมที่ไม่ต่อเนื่องที่ดีที่สุดอีกครั้งน้ำหนักการติดตามการอ้างอิงและการใช้พลังงาน. ในกรณีทั่วไป (รูปแบบที่ไม่เป็นเชิงเส้นของระบบ) วิธีการขึ้นอยู่กับการแก้ปัญหาที่ออนไลน์ในการแก้ไขปัญหาการเพิ่มประสิทธิภาพ ใช้เชิงเส้นรูปแบบและค่าใช้จ่ายที่เป็นกำลังสองช่วยให้เราสามารถใช้ประโยชน์จากการแก้ปัญหาและด้วยเหตุนี้จะทำให้มากที่สุดของการคำนวณในขั้นตอนการออฟไลน์. ที่กล่าวก่อนหน้าสำหรับทุกวิธีการแบบดั้งเดิมเหล่านี้เป็นรูปแบบเชิงเส้นของพืชที่ถูกนำมาใช้และโครงสร้างโดยเฉพาะอย่างยิ่งคณิตศาสตร์สำหรับการกำหนดค่าใช้จ่ายและข้อ จำกัด ที่จะต้อง อย่างไรก็ตามการพิจารณาปัญหาที่เกิดขึ้นในชีวิตจริงที่มีคุณสมบัติระดับสูง reformulation นี้ขั้นตอนที่ไม่ตรงไปตรงมาและด้วยเหตุนี้บางคนไม่สามารถโดยตรงเข้าบัญชี ในกรณีนี้รายละเอียดเหล่านี้ไม่ได้เป็นครั้งแรกการพิจารณาในขั้นตอนการออกแบบและได้มีการตรวจสอบposteriori ในระหว่างขั้นตอนการวิเคราะห์ วิธีการนี้อาจนำไปสู่บางอย่างซ้ำระหว่างการสังเคราะห์และขั้นตอนการวิเคราะห์ซึ่งเป็นเวลานานและอาจต้องใช้ระดับสูงของความเชี่ยวชาญในการปรับค่าปรับ ด้านนี้มักจะมีการ จำกัด การแนะนำของวิธีการควบคุมขั้นสูงเช่นการสังเคราะห์H∞ในอุตสาหกรรมชุมชน. ปัจจุบันสามจุดหลักจะต้องมีการพิจารณา ครั้งแรกที่ระบบมีการควบคุมมากขึ้นและซับซ้อนมากขึ้นและจะไม่เสมอไปได้ที่จะกำหนดรูปแบบเชิงเส้นที่ครอบคลุมทุกด้านของพฤติกรรม นอกจากนี้การเชื่อมต่อระหว่างระบบย่อยที่จะต้องมีการจัดการกับและเพื่อให้การสั่งซื้อของรูปแบบเพิ่มขึ้น จากนั้นข้อมูลจำเพาะมากขึ้นและหลากหลายและแม่นยำและมันดูเหมือนจะเป็นสิ่งสำคัญที่จะนำพวกเขาเข้าบัญชีทันทีที่เป็นไปได้ในขั้นตอนการสังเคราะห์ สุดท้ายอุตสาหกรรมที่ไม่เพียง แต่ต้องการที่จะหาตัวควบคุมที่ตอบสนองข้อกำหนดที่ต้องการแต่ยังควบคุมที่เพิ่มประสิทธิภาพพวกเขา แม้ว่าปัญหาสามารถง่ายต่อการแก้ปัญหาสำหรับกำหนดค่าพารามิเตอร์การปรับแต่ง(ค่ารับน้ำหนักการฝึกอบรมของหน่วยงานกำกับดูแลสมการเชิงเส้นเป็นต้น) ค้นหาที่ดีที่สุดค่าปรับเป็นงานที่ยาก ที่จริงที่สอดคล้องกันปัญหาการเพิ่มประสิทธิภาพจะไม่นูนออกมาและไม่อนุพันธ์ที่มีจำนวนมากที่ดีที่สุดของท้องถิ่น บางคนพยายามที่ได้รับการทำกับ subgradient วิธี [LAS 05], หรือการเพิ่มประสิทธิภาพที่ไม่เรียบ [BUR 06], การบรรลุผลลัพธ์ที่น่าสนใจ อย่างไรก็ตามวิธีการที่นำเสนอเหล่านี้ยังคงเป็นวิธีการค้นหาในท้องถิ่น เป็นผลให้พวกเขาจะขึ้นอยู่ในจุดเริ่มต้น. 1.2 แรงจูงใจที่จะใช้ขั้นตอนวิธีการ metaheuristic พิจารณาองค์ประกอบที่กำหนดในมาตรา 1.1 สองหลักแรงจูงใจสำหรับการใช้วิธีการสุ่มและmetaheuristic ขั้นตอนวิธีการเพิ่มประสิทธิภาพในการควบคุมอัตโนมัติได้เกิด. ครั้งแรกที่เราต้องการหลีกเลี่ยงขั้นตอน reformulation ของข้อ จำกัด ที่ในกรอบทางคณิตศาสตร์โดยเฉพาะอย่างยิ่ง ด้านนี้สามารถนำข้อได้เปรียบหลายประการ: -. reformulation ของค่าใช้จ่ายและข้อ จำกัด จะเสียเวลา. - เดอะ reformulation ต้องใช้ความเชี่ยวชาญ- ในฐานะที่เป็นข้อ จำกัด บางอย่างไม่สามารถ reformulated เข้าที่กำหนดกรอบการทำงานทางคณิตศาสตร์ซ้ำของการสังเคราะห์และposteriori ขั้นตอนการวิเคราะห์จะต้องมีการทำ . ประการที่สองที่เราต้องการไม่เพียง แต่จะปรับตัวควบคุมที่ตอบสนองบางรายละเอียดแต่ยังเพื่อเพิ่มประสิทธิภาพการทำงานของระบบ (สำหรับตัวอย่างเช่นเราต้องการที่จะหาตัวควบคุมที่ตอบสนองเวลาที่ต่ำที่สุดเท่าที่เป็นไปได้ในขณะที่ข้อจำกัด ในความทนทานและ พลังงานการบริโภคยังคงมีความพึงพอใจ) มากมักจะมีปัญหาในการควบคุมการออกแบบที่มีค่าปรับคงที่จะสามารถแก้ไขได้ว่า มันเป็นกรณีสำหรับวิธีการH∞ที่สังเคราะห์ของตัวควบคุมเป็นปัญหาสำหรับตัวกรองนูนน้ำหนักที่กำหนด เราจะเห็นในบทที่ 4 ว่าในกรณีนี้แบบดั้งเดิมที่มุ่งเน้น "การทดลองและความผิดพลาด" ขั้นตอนการเป็นวิธีการที่จะเพิ่มประสิทธิภาพการปรับแต่ง การเพิ่มประสิทธิภาพค่าปรับเป็นส่วนขยายของธรรมชาติแต่มันไม่ตรงไปตรงมาดีคุณสมบัติทางคณิตศาสตร์เช่นนูนจะหายไป. เพื่อให้บรรลุเป้าหมายเหล่านี้การใช้งานของการเพิ่มประสิทธิภาพ metaheuristic น่าจะเป็นทางเลือกที่น่าสนใจที่จะวิธีการแบบดั้งเดิม. แท้จริงดังกล่าว ขั้นตอนวิธีการที่ควรจะเพิ่มประสิทธิภาพและค่าใช้จ่ายใดข้อจำกัด สิ่งที่โครงสร้างทางคณิตศาสตร์ของพวกเขา โดยเฉพาะอย่างยิ่งพวกเขาไม่จำเป็นต้องมีความเป็นไปได้ในการประเมินข้อมูลการไล่ระดับสี จุดที่ต้องการเพียงอย่างเดียวคือความเป็นไปได้ในการประเมินค่าใช้จ่ายและที่ข้อ จำกัด หรือเป็นทางเลือกที่ได้รับการเพิ่มประสิทธิภาพของตัวแปร reformulation ไม่จำเป็นและการเพิ่มประสิทธิภาพของวิธีการแบบเดิมจะเป็นไปได้. แน่นอนข้อเสียเปรียบหลักของวิธีการเหล่านี้คือความจริงที่ว่าไม่มีการรับประกันจะได้รับเกี่ยวกับการ optimality ที่เกิดขึ้นจริงของการแก้ปัญหา. ข้อโต้แย้งหลายสามารถทำที่จะตอบประเด็นนี้ : - เมื่อมีการออกแบบตัวควบคุมที่ optimality โดยรวมไม่เป็นเช่นนั้นที่สำคัญมีขั้นตอนวิธีการที่จะสามารถที่จะหาตัวควบคุมที่ตอบสนองข้อจำกัด ที่มีความจำเป็นในการ reformulation ไม่มีและที่ดีกว่าการควบคุมปรับด้วยมือเป็นแล้วความท้าทายที่ดีสำหรับชุมชนอุตสาหกรรมและเพื่อให้เป็นโอกาสที่ดีสำหรับโลกของการศึกษา. - การใช้อัลกอริทึม metaheuristic ช่วยให้เราสามารถประมาณแก้ปัญหาที่เกิดขึ้นครั้งแรก ในวิธีการแบบดั้งเดิมของการแก้ปัญหาที่แน่นอนจะพบ แต่สำหรับปัญหา reformulated ซึ่งมักจะไม่เทียบเท่ากับปัญหาที่เกิดขึ้นครั้งแรก สุดท้าย optimality ที่เกี่ยวกับการเริ่มต้นปัญหาไม่สามารถรับประกันได้ถึงแม้จะมีวิธีการแบบดั้งเดิม. - อัลกอริทึม metaheuristic บางครั้งอาจได้รับการพิจารณาเป็นขั้นตอนแรกในขั้นตอนการเพิ่มประสิทธิภาพ ขั้นตอนแรกนี้ช่วยให้เราสามารถคำนวณจุดเริ่มต้นสำหรับการเพิ่มประสิทธิภาพขั้นตอนวิธีการที่กำหนดว่าจะให้ทรัพย์สินoptimality ท้องถิ่น แต่ที่มีคุณภาพของการแก้ปัญหาอย่างรุนแรงขึ้นอยู่กับการเริ่มต้นจุด. 1.3 องค์กรของหนังสือเล่มนี้หนังสือเล่มนี้แบ่งออกเป็นสี่บทหลักที่อธิบายต่างๆด้านของการใช้อัลกอริทึมmetaheuristic ในการควบคุมอัตโนมัติสนาม. บทที่ 2 ข้อตกลงกับหนึ่งในขั้นตอนแรกในการออกแบบของกฎหมายควบคุมอัตโนมัติซึ่งเป็นบัตรประจำตัวของระบบรูปแบบ วิธีที่คลาสสิกที่เกี่ยวข้องกับบัตรประจำตัวของพารามิเตอร์แบบโครงสร้างของรูปแบบการเป็นเบื้องต้นทางเลือกขึ้นอยู่กับการพิจารณาทางกายภาพหรือความรู้สนาม ในเรื่องนี้บทที่เราจะพิจารณากรณีที่โครงสร้างแบบนี้จะไม่รู้จักกัน. ดังนั้นเป้าหมายคือการระบุทั้งสองรูปแบบโครงสร้างและพารามิเตอร์ที่ถูกอ้างถึงในวรรณคดีเป็นสัญลักษณ์การถดถอย มดขั้นตอนวิธีอาณานิคมได้รับการพัฒนามาเพื่อการนี้ วิธีการแก้ปัญหาที่ใช้เป็นตัวแทนของต้นไม้ฟังก์ชั่น. บทที่ 3 กล่าวถึงการปรับแต่งของอนุพันธ์สัดส่วนการหนึ่ง(PID) ตัวควบคุม ควบคุมดังกล่าวเป็นตัวควบคุมที่พบมากที่สุดในชุมชนอุตสาหกรรมเพราะความสามารถของพวกเขาเพื่อให้บรรลุความพึงพอใจไม่ชอบการค้าระหว่างความมั่นคงความรวดเร็วและความแม่นยำของวงปิด. วิธีการต่าง ๆ นานาทำอยู่ในการปรับแต่งการควบคุมดังกล่าว อย่างไรก็ตามการเพิ่มประสิทธิภาพของพฤติกรรมวงปิดยังคงเป็นปัญหาเปิดเฉพาะอย่างยิ่งถ้าข้อจำกัด จำนวนมากต้องถูกนำเข้าบัญชี ในบทนี้การเพิ่มประสิทธิภาพจับกลุ่มอนุภาคถูกนำมาใช้เพื่อให้ได้ผลที่น่าพอใจ เป็นส่วนที่จะเพิ่มประสิทธิภาพหลายวัตถุประสงค์จะนำเสนอ. ในบทที่ 4 วิธีการควบคุมขั้นสูงได้รับการพิจารณาคือวิธีการH∞ มนี้

ผลลัพธ์ (ไทย) 3:

ในบทนี้ แรงจูงใจในการใช้วิธีการเมตาฮิวริ ิกใน
สนามการควบคุมอัตโนมัติได้แก่ เมื่อเทียบกับวิธีการแบบดั้งเดิม
ใช้วิธีการเหล่านี้ไม่ต้องใช้ reformulation ของปัญหาเริ่มต้นควบคุม
และช่วยเพิ่มประสิทธิภาพของกฎหมายควบคุม คำอธิบายสั้น ๆเนื้อหาหนังสือ

ยังให้ . 1.1 . บทนำ :การควบคุมอัตโนมัติและเพิ่มประสิทธิภาพการเชื่อมโยงระหว่างการควบคุมอัตโนมัติและเพิ่มประสิทธิภาพ

แข็งแรงมาก เป็นวิธีการเพิ่มประสิทธิภาพมักจะหลักของวิธีการควบคุม
อัตโนมัติ แน่นอนการเพิ่มประสิทธิภาพที่มีผ้านำวิธีที่มีประสิทธิภาพ
ระบุรุ่นระบบคำนวณหากฎหมายควบคุมการวิเคราะห์เสถียรภาพของระบบและความ


ฯลฯเพราะต้องเพิ่มประสิทธิภาพของปัญหาทแรคทะบีลสอดคล้องกัน
, วิธีการแบบดั้งเดิมมักจะยึด
ความหมายของรูปแบบที่เรียบง่ายของพืชเพื่อควบคุม ง่าย
รูปแบบอาจใช้ เช่น การใช้ช่วงของพืชเกี่ยวกับ
จุดสมดุล และหลงพลศาสตร์ ทำเหล่านี้
Simplifications แบบจำลองยังแสดงโดยเส้นเพื่อ
น้อยระบบ เช่นรูปแบบง่ายที่สามารถใช้สำหรับการคำนวณ
กฎหมายควบคุมเฉพาะทางคณิตศาสตร์โดยใช้กรอบ ในแบบคู่ขนานการ optimization ปัญหาที่ต้องการ

แสดงประสิทธิภาพและข้อจำกัดที่กำหนดไว้ . ความสนใจพิเศษคือจ่ายให้กับโครงสร้างของ
รูปแบบและปัญหาการเพิ่มประสิทธิภาพเพื่อที่จะสามารถแก้ปัญหาด้วย
แน่นอนและ deterministic แก้ .หลายตัวอย่างที่สามารถให้วิธีการดังกล่าว
.
เป็นกรณีนี้สำหรับวิธีการกำลังสองเชิงเส้น , เป็นของ
ห้องควบคุมที่เหมาะสมโดยวิธี [ 72 ] : แบบจำลองเชิงเส้นของ
มีใช้ระบบและเพิ่มประสิทธิภาพของต้นทุนจาแสดง
ต้นทุนคือผลรวมของกำลังสอง สองปัจจัยที่ถ่วงน้ำหนัก , หนึ่งสำหรับการติดตาม
อ้างอิงและอื่น ๆสำหรับการใช้พลังงาน สำหรับเรื่องนี้
ปัญหาโดยเฉพาะอย่างยิ่งสารละลายที่เหมาะสมสามารถช่วยวิเคราะห์พบด้วย

riccati สมการมากขึ้นเมื่อเร็ว ๆนี้ , H2 / H ∞การสังเคราะห์วิธีการได้รับการพัฒนาจ้าว
[ 96 ] วิธีการคือใช้แบบจำลองเชิงเส้นของพืช
และปัญหาก็แสดงเป็นค่าของ H ∞ C
ระบบวงปิด reformulations จะใช้เพื่อแสดง
ในปัญหาอสมการเมทริกซ์เชิงเส้น ( LMI ) กรอบ ซึ่ง
ต้องการแก้สามารถใช้ แนวโน้มอีกประการหนึ่งคือการใช้ของ youla –
คูเซอราฟรา parameterization [ 87 ] parameterization นี้ช่วยให้เรา
parameterize ทั้งหมดตัวควบคุมเสถียรภาพให้พืช การใช้คุณสมบัตินี้
, มันเป็นไปได้ที่จะหา " ตัวควบคุมเหมาะสมที่สุด " โดยการแก้ปัญหาการเพิ่มประสิทธิภาพนูน
.
ในที่สุดนอกจากนี้เรายังสามารถพูดถึง Mac สามารถควบคุม [ 02 ] เมื่อ
อีกครั้งโดยใช้แบบจำลองเชิงเส้นและค่ากำลังสอง และทราบว่าต้องการ
ผลผลิตล่วงหน้า มันเป็นไปได้ที่จะคำนวณควบคุมต่อเนื่องสูงสุด
อีกครั้ง ( อ้างอิง และติดตามการใช้พลังงาน .
ในกรณีทั่วไป ( แบบไม่เชิงเส้นของระบบ ) , วิธีการขึ้นอยู่กับ
บนโซลูชั่นออนไลน์เป็น ปัญหาการเพิ่มประสิทธิภาพการใช้แบบจำลองเชิงเส้นกำลังสอง
และค่าใช้จ่ายที่จะช่วยให้เราใช้ประโยชน์จากโซลูชั่นและด้วยเหตุนี้
ให้มากที่สุดของการคำนวณในขั้นตอนครับ .
เป็นกล่าวก่อนหน้านี้ สำหรับวิธีการแบบดั้งเดิมเหล่านี้ทั้งหมด ,
แบบเชิงเส้นของพืชจะใช้ และโครงสร้างที่เฉพาะเจาะจงสำหรับสูตรทางคณิตศาสตร์
ต้นทุนและข้อจำกัด คือ ต้อง อย่างไรก็ตาม เมื่อพิจารณาจาก
ปัญหาในชีวิตจริงด้วยคุณสมบัติระดับสูงนี้ reformulation
ขั้นตอนไม่ตรงไปตรงมา ดังนั้นบางส่วนของพวกเขาไม่สามารถโดยตรง
เข้าบัญชี ในกรณีนี้ คุณสมบัติเหล่านี้จะไม่แรก
ถือว่าในขั้นตอนการออกแบบ และต้องตรวจดู
จากผลไปสู่เหตุในระหว่างการวิเคราะห์เฟส วิธีนี้อาจนำไปสู่บาง
ซ้ำระหว่างการสังเคราะห์และการวิเคราะห์เฟสซึ่งจะเสียเวลา
และอาจต้องระดับสูงของความเชี่ยวชาญเพื่อปรับให้เข้ากับ
ปรับพารามิเตอร์ ด้านนี้มักจะ จำกัด การแนะนำของ
วิธีการควบคุมขั้นสูงเช่น H ∞การสังเคราะห์ในชุมชนอุตสาหกรรม
.
ปัจจุบันหลักสามจุดที่ต้องพิจารณา แรก , ระบบ
ถูกควบคุมมากขึ้นและซับซ้อนมากขึ้นและจะไม่เสมอ
เป็นไปได้ในการกำหนดเชิงเส้น แบบจำลองที่ครอบคลุมทุกด้านของพฤติกรรมของตนเอง

ต่อ , เชื่อมต่อระหว่างระบบย่อยต้อง
แจกด้วย ดังนั้นคำสั่งของรูปแบบเพิ่มขึ้น งั้น
คุณสมบัติมากขึ้นและหลากหลายขึ้น และชัดเจน และมันดูเหมือนจะเป็นสิ่งสำคัญที่จะใช้
ไว้ในบัญชีโดยเร็วที่สุดใน
สังเคราะห์เฟส ในที่สุด