複製鏈接
請複製以下鏈接發送給好友

隨機控制系統

鎖定
隨機控制系統受隨機因素影響的動態系統。通常用隨機微分方程或隨機差分方程來描述。
中文名
隨機控制系統
外文名
stochastic control system
定    義
受隨機因素影響的動態系統
描述方式
隨機微分方程、隨機差分方程方式

隨機控制系統系統研究

從控制理論的角度來看,對隨機系統的研究主要包括下列方面內容:

隨機控制系統建模與辨識

從量測數據建立系統的數學模型,或已給出系統的模型結構,根據量測數據來估計模型中的未知參數。
具體來講,在建模與辨識方面,對量測到的隨機數據,常用白噪聲驅動差分方程(ARMA過程)來建模。對ARMA過程的係數、階次等的估計稱時間序列分析,它已有一套較成熟的方法,但能用這種方法有效處理的過程通常要有平穩性,而反饋控制系統,由於控制項的作用,系統的輸出過程一般不具有平穩性,所以常用的時間序列分析方法對反饋控制系統的參數估計並不適用。對隨機控制系統建模時最常用的模型是ARMAX過程,對它的係數估計通常用最小二乘、極大似然或由此引申出來的其他算法來估計,但要使估計收斂到真值,就得要求系統受到一定程度的激勵。但這種激勵要多大,收斂速度有多J決,這就引發了許多研究。對反饋控制系統的階估計是一個饒有興趣的問題。

隨機控制系統濾波

根據量測數據及系統的模型,估計受到噪聲干擾的系統狀態或信號。 隨機控制。對隨機系統構造控制,使給定的性能指標達到極小。
對濾波來講,經典的維納一 [1]  柯爾莫哥洛夫濾波是針對信號和噪聲都是平穩過程的情形提出來的。當信號是動態系統的輸出時,它就不再是平穩過程,也就無法用經典的濾波方法。這就產生了卡爾曼濾波。當系統的狀態方程和量測方程都由高斯變量驅動,並且系統對狀態線性,但允許對量測非線性依賴,這時卡爾曼濾波可以寫成一組封閉的方程,在實際中得到廣泛應用。但當系統非線性地依賴狀態時,除了一些特殊情形外,濾波方程無法解出來,最多做些近似計算。非線性濾波至今仍是不斷引人研究的課題。

隨機控制系統隨機適應控制

[2]  隨機系統一方面辨識系統,估計參數,同時又給出控制,使性能指標達到最小。
在隨機控制方面,對部分觀測的系統,狀態不能精確地量測,最多隻能得到它的濾波值,這時一個直觀的想法是用狀態濾波值來取代相應確定性系統(即把噪聲取為零)最優控制中的狀態變量,稱為必然等價控制。但這樣的控制未必就是最優隨機控制。
一個重要的例外是線性二次高斯(LQG)問題,對它的必然等價控制正是最優隨機控制。對ARMAX系統,就不用濾波,對常見的LQ、跟蹤、模型參考等問題均可得到最優隨機控制。但一般説,只有線性系統,並只對有限的幾種性能指標,才能得到最優隨機控制。對非線性系統,除了極個別例外,不易得到最優隨機控制的顯式表達。用次優控制逼近,是一個有效的方法。隨機極大值原理,雖有一定指導意義,但難於應用。
在隨機適應控制中,已有的結果主要集中在完全觀測的隨機控制系統,它要求一邊估計系統參數,一邊設計隨機控制。如果系統又是部分觀測的,那麼還要加濾波。三項任務要同時完成,至今還未見到一個完整的結果。對ARMAX系統的適應I,Q問題、適應鎮定、適應模型參考等問題,都已有理論上嚴格的結果。特別是適應跟蹤,它在工程實際中已有廣泛應用,其收斂性和最優性證明也已經解決。

隨機控制系統干擾性

由於工程技術、環境生態、社會經濟等領域中出現的實際系統,一般都帶有 [3]  隨機干擾。所以對隨機系統的研究為實際應用的必須,但也帶來許多艱深的理論課題,所以長期以來,隨機控制系統受到各種背景研究者的廣泛關注。
參考資料