针对模型失配的多目标预测控制研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·预测控制 | 第10-15页 |
| ·预测控制概述 | 第10-12页 |
| ·预测控制的研究动向 | 第12-14页 |
| ·非线性预测控制 | 第14-15页 |
| ·本文的研究目的及意义 | 第15-16页 |
| ·本文的主要内容 | 第16-18页 |
| 第2章 模型失配条件下的预测控制问题提出 | 第18-32页 |
| ·非线性预测控制数学基础 | 第18-21页 |
| ·人工神经网络预测模型 | 第21-24页 |
| ·人工神经网络模型 | 第21-22页 |
| ·RBF神经网络预测模型 | 第22-24页 |
| ·基于神经网络的智能预测控制 | 第24-32页 |
| ·神经网络预测模型 | 第24-26页 |
| ·神经网络预测控制算法 | 第26-27页 |
| ·仿真实验 | 第27-32页 |
| 第3章 多目标优化与决策理论 | 第32-44页 |
| ·多目标优化问题 | 第32-34页 |
| ·多目标优化问题的描述 | 第32-33页 |
| ·Pareto解集 | 第33-34页 |
| ·多目标优化问题的求解 | 第34-40页 |
| ·多目标优化的传统算法 | 第34-36页 |
| ·多目标进化算法 | 第36-39页 |
| ·传统算法与进化算法的比较 | 第39-40页 |
| ·多目标决策理论 | 第40-44页 |
| ·多目标决策概述 | 第40页 |
| ·多目标优化与决策的关系 | 第40-41页 |
| ·多目标决策方法——伪权向量法 | 第41-44页 |
| 第4章 多目标粒子群优化算法研究 | 第44-62页 |
| ·多目标粒子群优化算法基础理论 | 第44-48页 |
| ·基本粒子群算法 | 第45-46页 |
| ·改进的粒子群算法 | 第46页 |
| ·多目标粒子群优化算法 | 第46-48页 |
| ·一种新的多目标粒子群优化算法 | 第48-56页 |
| ·SMOPSO算法流程 | 第48-49页 |
| ·SMOPSO算法中的相关算子 | 第49-51页 |
| ·SMOPSO算法仿真实验 | 第51-56页 |
| ·有偏好多目标粒子群优化算法 | 第56-62页 |
| ·权系数概率密度函数 | 第57-58页 |
| ·PMOPSO算法流程 | 第58-59页 |
| ·MOPSO算法仿真实验 | 第59-62页 |
| 第5章 针对模型失配的多目标预测控制 | 第62-74页 |
| ·预测控制最优化准则的分析 | 第62-64页 |
| ·针对模型失配的多目标预测控制方法 | 第64-67页 |
| ·多目标预测控制算法流程 | 第65-67页 |
| ·控制性能指标 | 第67页 |
| ·仿真实验 | 第67-74页 |
| ·实验一 | 第67-70页 |
| ·实验二 | 第70-74页 |
| 第6章 结论与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |
