神经网络控制模型

2025-01-08

神经网络控制模型（精选12篇）

神经网络控制模型篇1

飞行安全是一个非常重要的研究课题,而飞行控制系统的设计对飞行的安全性和稳定性有着决定性作用。应用动态逆方法的飞行控制系统设计,实现了被控对象的线性化和输入输出解耦[1]。然而,动态逆方法要求精确模型解析式,在实际应用当中大多数工业过程呈现出较强的非线性性且难以用解析式描述,这样对于应用动态逆方法的系统来说具有很大的挑战。基于这些因素的考虑,MacKunis W, Patre P M等人将神经网络模型参考自适应控制系统与动态逆结合[2],根据系统实际输出和模型输出的误差调整控制器参数,以保障控制系统的输出特性和鲁棒性。本文针对飞行安全控制,应用遗传蚁群算法[3]优化神经网络,设计了一种基于神经网络的模型参考自适应动态逆方法。将本方法应用于波音747—100/200飞机模型的飞行控制系统,仿真结果表明,文中提出的飞行控制方法有良好的效果,有效地补偿建模误差,提高了算法的收敛速度,并且保证了系统的鲁棒性。

1 建立动态逆模型

本文采用动态逆方法对系统进行线性化。考虑飞行控制系统,可以用如下非线性方程描述[4]。

${\begin{cases} \dot{x} (t) = f (x (t)) + g (x (t)) u (t) + δ (t) \\ y (t) = h (x (t)) \end{cases} (1)$

式(1)中, x(t)∈Rn为状态向量;u(t)∈Rm为输入向量;y(t)∈Rl为输出向量;δ(t)为系统的测量噪声和对象扰动。f:Rn→Rn,一阶连续;h:Rl→Rl,充分可微,均为非线性映射函数;对原系统求逆,选择适当的控制输入u(t):

$u (t) = g^{- 1} (x (t)) [v (t) - f (x)] (2)$

获得期望的动态响应:

$\dot{x} (t) = v (t) (3)$

原系统被补偿为线性系统,我们称为伪线性系统,v(t)称为伪控制变量。

由于外界干扰的影响以及飞行控制系统的复杂耦合关系,同时加上求取逆模型进行的是近似计算,不可避免地存在参数摄动和建模误差。式(3)可改为:

$\dot{x} (t) = v (t) + ζ (4)$

ζ是逆模型误差,采用神经网络补偿器进行补偿,再根据模型参考自适应控制方法设计自适应控制律,使得故障系统能很好地跟踪参考模型输出。

2 基于BP神经网络模型参考自适应逆控制器

模型参考自适应控制[5]的目标是使跟踪误差收敛于零,将系统实际输出与参考模型输出之间的偏差信号输入到自适应机构,以此对控制律中的参数进行调整。

本文中,自适应机构采用BP网络算法。神经网络模型参考自适应系统如图1,其控制器部分由神经网络构成,利用误差来调整神经网络控制器参数,同时加入逆模型实现线性化和解耦,逆模型由神经网络进行补偿,使得系统达到满意的动态特性。

首先补偿系统的建模误差,然后根据模型参考自适应方法设计自适应控制律,使得故障系统逼近参考模型输出。

选择如下线性参考模型:

${\begin{cases} \dot{x}_{m} (t) = A_{m} x_{m} (t) + B_{m} u_{m} (t) \\ y_{m} (t) = C_{m} x_{m} (t) \end{cases} (5)$

选择神经网络自适应控制律为:

$v = Κ (x - x_{m}) + \dot{x}_{m} - u_{Ν Ν} (6)$

式(6)中,K为增益对角矩阵,uNN为自适应神经网络控制器输出,K(x-xm)主要目的是更快产生期望的动态响应。此时系统可改写为:

$\dot{x} = Κ (x - x_{m}) + \dot{x}_{m} + u_{c e} - u_{Ν Ν} (7)$

uce为神经网络补偿器误差,定义系统与参考模型的误差为e=x-xm,则

$\dot{e} = Κ e + u_{c e} + u_{Ν Ν} (8)$

系统调节的目的是跟踪误差 $\lim_{t \to \infty} e = 0 ‚ e$ 指数收敛,当神经网络控制输出uNN抵消补偿误差uce的影响,闭环系统(8)稳定,则可以保证整个自适应系统渐近稳定。逼近补偿误差采用基于遗传蚁群算法的BP神经网络的方法来实现,具体算法如下。

2.1 BP神经网络

单隐层BP神经网络[6]结构如图2所示。

输入层为I,即有I个输入信号,表示为xi(i=1,2,…,I),隐含层为J,输出层为K,输入层到隐含层的权值为ωij,隐含层到输出层的权值为ωik, O(k)(k=1,2,…,K)为输出层第k个节点输出。D(k)为期望输出。输出层第k个节点的实际输出O(k)为:

$Ο (k) = f_{2} (\sum_{j = 1}^{J} ω_{j k} f_{1} (\sum_{i = 1}^{Ι} ω_{i j} x_{i})) (9)$

输出层第k个神经元的误差信号为ek=D(k)-O(k)。神经网络学习的误差总能量总和为E,以此参数判定逼近效果。

$E = \frac{1}{2} \sum_{k = 1}^{Κ} e_{k}^{2} (10)$

为了克服传统方法的缺点,在此引入遗传蚁群算法优化神经网络参数。

2.2 遗传蚁群算法

遗传算法[7]对系统中的反馈信息无法很好地利用,蚁群算法[8]初期信息素随机产生,具有很大的不确定性。将这两种算法结合起来,可以取长补短,使系统能够更快更好地收敛。遗传蚁群算法的基本思想是算法前期采用遗传算法,充分利用遗传算法的快速性、随机性、全局收敛性,其结果是产生有关问题的初始信息素分布。算法后期采用蚁群算法,在有一定初始信息素分布的情况下,充分利用蚂蚁算法并行性、正反馈性、求精解和效率高等特点,这样就可以克服遗传算法搜索到一定阶段效率低的缺点和蚁群算法初期无信息素信息的缺点。

将遗传蚁群算法应用到BP神经网络算法中,优化其权值参数,可以避免传统算法的缺陷,使BP算法具有更好的逼近效果。具体步骤如下:

步骤1 参数初始化。令时间t=0,初始化进化种群Pop,遗传代数gen,令循环次数Nc=0,设置最大循环次数Ncmax,初始化信息素τij,△τij,△τij=0,设有M个权值,将I只蚂蚁置于蚁巢。

步骤2 计算种群中每个个体的适度值val

$v a l = τ_{i j}^{α} (t) η_{i j}^{β} (t) (11)$

式(11)中α表示路径上的信息素对蚂蚁选择路径所起的作用大小,β为期望启发式因子,ηij(t)为启发函数。

步骤3 根据对val评估,对种群Pop进行选择、交叉以及变异操作,得到新的群体Pop,具体过程参考文献[7]。判断是否达到最大遗传代数或者是否进化过程中所得到的具有最大适应度个体作为最优解输出,若满足其一,转向步骤4,否则转向步骤2。

步骤4 遍历规则。每只蚂蚁k(k=1,2,…,I)按照概率Pijk(t)选择下一个顶点j,将j置于解集,权值和阈值为蚂蚁选择的路径,分别为wij,bij。

$Ρ_{i j}^{k} (t) = \frac{τ_{i j}^{α} (t) η_{i j}^{β} (t)}{\sum_{s = 1}^{Μ} τ_{i s}^{α} (t) η_{i j}^{β} (t)} (12)$

k=k+1循环,直到蚁群到达目标源。

步骤5 令t←t+M,Nc←Nc+1。为了避免陷入局部极小点,在每只蚂蚁走完一步或者完成对M个权值遍历后,应该对信息素进行更新操作。因此,t+n时刻,路径(i,j)上的信息素调整规则为

$\begin{array}{l} τ_{i j} (t + Μ) = (1 - ρ) τ_{i j} (t) + Δ τ_{i j} (t) (13) \\ Δ τ_{i j} (t) = \sum_{k = 1}^{Ι} Δ τ_{i j}^{k} (t) (14) \end{array}$

ρ∈[0,1)为挥发因子,1-ρ则是信息素残留因子,△τij为信息素增量。

$\begin{array}{l} Δ τ_{i j}^{k} (t) = \\ {\begin{cases} \frac{Q}{L_{k}} ‚ 若第 k 只蚂蚁在本次循环中经过 (i, j) \\ 0 ‚ 其它 \end{cases} (15) \end{array}$

式(15)中,Q表示信息素强度,Lk=ek,表示第k只蚂蚁选择的权值导致的神经网络输出层的输出误差。

步骤6 若蚁群全部收敛于一条路径或者循环次数Nc≥Ncmax,则循环结束输出结果。否则,转向步骤4。

在线更新参数的BP神经网络来逼近建模误差,形成反馈补偿回路。令期望输出D(k)= ζ,我们通过训练,使得E尽可能小并达到一定精度,此时视为网络输出逼近建模误差ζ,完成反馈补偿作用。然后根据模型输出和实际输出的误差e,利用基于遗传蚁群算法神经网络的自适应机构调节输入参数,使系统逼近参考模型输出。

遗传蚁群算法优化神经网络参数,避免传统梯度下降法收敛速度慢和局部极小的缺点,提高算法的效率。

3 飞行仿真与应用

将本方法应用到波音747—100/200飞机模型上进行仿真实验。x=[β r p φ]T为状态向量,其中β, r, p, φ分别表示飞机的侧滑角、偏航速率、滚转速率以及倾斜角;u=[δrδa]T为控制输入向量,其中δr,δa分别表示方向舵偏转角和副翼偏转角。根据MIL—8785C军标规范要求,选取参考模型[9]:

$A_{m} = [\begin{array}{l} - 0.093 1 - 0.945 0 0.078 6 0.020 9 \\ 3.073 4 - 3.539 4 - 0.112 7 0.987 5 \\ - 3.001 7 0.608 2 - 3.867 5 - 6.992 4 \\ 0 0.080 5 1.000 0 0 \end{array}]$ ;

$B_{m} = [\begin{array}{l} 0.007 29 0 \\ - 0.475 0 0.007 75 \\ 0.153 0 0.143 \\ 0 0 \end{array}]$

种群规模popu=50,遗传代数gen=50,蚂蚁数量为40,最大循环次数Ncmax=100,假定飞机在2 s时发生故障,故障函数为f=1+0.5cos(4πt),仿真曲线如图3、图4所示,图3中传统未改进应用梯度下降法的系统有一定的鲁棒性,偏航速率r、滚转速率p能够逼近参考模型,但存在较大误差,且侧滑角β、倾斜角φ都在2 s处发生震荡使系统失去稳定性,侧滑角最大偏差为0.123 rad,倾斜角最大偏差为0.021 rad,而图4中应用遗传蚁群算法改进的系统,在故障发生瞬间系统会产生小波动,但能很快地调整系统参数,在扰动的情况下,侧滑角最大偏差为0.022 8 rad,倾斜角最大偏差为0.008 7 rad,系统输出能很好地逼近参考模型,保证了闭环系统良好的动态特性,可知改进后的系统对不确定的干扰具有较强的鲁棒性。此外,改进后系统其快速性和实时性更好,滚转速率训练17次即达到精度,而当训练次数达到最大时,传统未改进系统的滚转速率仍未达到精度要求,所以改进后系统收敛速度也有所提高。

4 结语

本文将动态逆引入到控制系统中,对非线性系统线性化,克服了系统的非线性因素,实现了输入输出解耦,将神经网络算法应用到模型参考自适应逆控制方法中,设计了一种基于遗传蚁群算法的BP神经网络,算法前期使用遗传算法,保证了种群多样性,后期的蚁群算法利用前期遗传操作得到的较好的信息素分布,在求解时能够避免局部最优,将该算法用于模型的自适应机构,优化参数,调节控制器输入,解决了动态逆依赖精确数学模型的问题,使系统响应能够很好地逼近参考模型输出。仿真结果表明改进的神经网络提高了收敛速度,且对扰动具有较强的鲁棒性,能够保证飞行安全,该方法是可行的和有效的。

摘要：针对飞行安全控制问题,结合动态逆方法和神经网络理论,提出了一种基于改进BP神经网络的模型参考自适应逆控制方法,应用到飞行控制系统中。该方法在控制器中引入神经网络算法,在经典BP神经网络控制算法的基础上,使用遗传蚁群算法优化神经网络参数,在线调整网络的权值和阈值,避免了传统梯度下降法的缺点,提高了自适应算法的效率,达到了抗干扰的目的。从而改善了飞机飞行稳定性和操纵性。在波音747—100/200飞机模型上仿真实验表明了该方法的可行性和鲁棒性,能够保障飞行安全。

关键词：神经网络,自适应逆,模型参考,飞行安全

参考文献

[1] Li L,Zhang H M.Neural network based adaptive dynamic inversionflight control system design.Intelligent Control and Information Pro-cessing,2nd International Conference,2011:135—137

[2] MacKunis W,Patre P M,Kaiser M K,et al.Asymptotic tracking foraircraft via robust and adaptive dynamic inversion methods.IEEETrans.on Control Systems Technology,2010;18(6):1448—1456

[3] Xuan Z,Zhen Y T.A study on the optimization of the constrainedrouting problem based on genetic-ant Colony algorithm.Genetic andEvol utionary Computing,Fourth International Conference,2010:860—863

[4]杨伟,章卫国,杨朝旭,等.容错飞行控制系统.西安:西北工业大学出版社,2007:158—166

[5] Slotine J J E,Li W P.Applied nonlinear control.New Jersey:Pren-tice hall,1991:311—389

[6] Neural H S.Networks and learning machines.BeiJing:China Ma-chine Press,2009:129—185

[7] Juang J G,Huang M T,Liu W K.PID control using presearched ge-netic algorithms for a MIMO system.IEEE Trans on Systems,Man,and Cybernetics,Part C:Applications and Reviews,2008;38(5):716—727

[8] Dorigo M,Gambardella L M.Ant colony system:a cooperative learn-ing approach to the traveling salesman problem.I EEE Trans.on Ev-olutionary Computation,1997;1(1):53—66

[9]常锋,杨蒲,姜斌.基于神经网络的模型参考飞控系统容错控制.控制工程,2010;17(6):778—781

神经网络控制模型篇2

推导了用低维的神经网络实现常规飞机逆模型的`公式.先通过气动方程将飞机的角加速度转换为气动力矩系数,然后根据已知的气动力矩系数与状态变量和舵面偏转量的关系,得到低阶的逆模型方程.接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法.

作者：林靖宇林清宇 LIN Jing-yu LIN Qing-yu 作者单位：林靖宇,LIN Jing-yu(广西大学电气工程学院,广西,南宁,530004)

林清宇,LIN Qing-yu(广西大学化学化工学院,广西,南宁,530004)

神经网络控制模型篇3

(上海交通大学船舶海洋与建筑工程学院，上海 200240)

0 引言

当前,世界主要集装箱港口间已初步形成轴辐式海运网络格局.轴辐式网络通过集中流量产生规模经济效应以降低单位运输成本，但正是由于对规模效应的追求造成大量货流集中于枢纽港，使轴辐式网络较一般网络更有可能造成节点拥堵.与此同时，港口拥堵是长期困扰班轮运输业的一大难题，严重的拥堵迫使航次时间增加并可能引发一系列连锁反应，对整个集装箱海运系统造成严重的经济损失，所以在进行网络布局研究的同时必须考虑拥堵因素.

O’KELLY[1]最早研究物流系统的P枢纽中位问题，将其归结于一个二次规划模型并求解.随后AYKIN[2]和ERNST等[3]将此类问题进一步归结为NP模型，鉴于传统方法求解此类问题有一定难度，尝试应用随机速降等启发式算法求解并取得良好效果.

此后的研究使得模型的假设更加符合实际情况.YAMAN等[4]提出用“模块化容量”的思路解决单分配轴辐式通信网络的设计问题，枢纽节点间的容量限制以非线性的方式被逐步处理.EBERY等[5]考虑一个空运网络中枢纽港间货流容量的问题.da GRAÇA COSTA等[6]展示一种用于单分配有容量限制的轴辐式网络选择问题的多目标方程.除了以成本最小作为目标函数以外，他们还考虑枢纽港处理货量的最长时间的最小值.李莉等[7]通过添加时间约束对轴辐式快递网络进行研究.

另一方面，关于缓解港口拥堵的研究主要集中在分析拥堵产生的原因和优化集疏运体系等方面.陈淑文[8]和寿建敏[9]分别对港口拥堵的背景、拥堵特征和原因等进行分析，并对世界海运和多式联运格局的潜在影响进行论述，同时提出可能出现的排解港口拥堵的方法.FAN等[10]建立一个多式联运网络，对美国进口集装箱运输网络的空间竞争性、拥堵状况及货流进行研究.LEACHMAN等[11]通过排队理论建立基于进口货量、操作人员和装备能力的“货流-时间”模型，用以预测通过特定枢纽港的货量与拥堵时间之间的关系，并且以中国至美国间的集装箱水路运输为例对模型进行检验.CHEN等[12]利用船舶时间窗口的概念处理口岸集卡拥堵问题，采用“削峰填谷”的思路有效缓解码头集装箱卡车的拥堵.MENG等[13]研究一个轴辐式多式联运网络的设计问题，其数学模型考虑多方利益相关者及多种集装箱的情况，并且采用混合遗传算法得出结果.靳志宏等[14]针对港口及腹地多式联运统筹安排的复杂性，通过分析多式联运计划的层次，提出多式联运的分级优化概念，并且针对海上班轮运输计划和内陆集疏运计划建立任务分配的优化模型.白治江[15]以集装箱船在港时间最少为目标，采用层次分解技术研究集装箱堆场的资源分配问题.

综上所述，轴辐式网络模型的研究主要涉及对数学模型的完善和提高算法效率这两个方面.在实证案例中多应用于物流、航空运输、地面交通等领域，在海运特别是集装箱海运方面为数甚少.而在国内，与海运相关的轴辐式网络研究仍然处于起步阶段.在缓解港口拥堵方面，现有的关于港口码头拥堵的研究主要涉及对拥堵产生的原因、背景及特征进行定性分析，对衡量拥堵造成的损失和影响缺乏定量判断的依据.同时，大量的研究成果着眼于通过提高码头作业效率、优化集疏运体系等方式缓解单个港口的拥堵情况，未从系统的高度审视整个港口网络格局对单个港口拥堵造成的影响.本文将拥堵控制与轴辐式网络设计相结合，以文献[1]中的轴辐式模型为基础，在构造海运网络的同时引入拥堵成本函数.

1 拥堵成本的量化

轴辐式网络将运输网络中的多个节点设立为枢纽，非枢纽节点都经由枢纽彼此相连.虽然轴辐式网络可以形成规模经济效应，但这也意味着大量的货流被集中于枢纽节点，当进入枢纽的货量超过其最大处理能力时就会形成节点拥堵.拥堵成本的量化就是对拥堵发生时的额外经济成本进行数学上的表达，该成本可以借由拥堵成本函数描述.

建立拥堵成本函数的假设如下：(1)若港口泊位数为n，则进港船舶均匀地排在n条相邻的航道上等待接受服务；(2)拥堵成本只发生在枢纽港，且无论枢纽港单日货物流量多少，总量上拥堵成本一直发生；(3)拥堵成本包含因港口拥堵造成的船公司直接营运损失及其他各类隐性成本.由拥堵造成的船舶单位时间的经济损失为定值.

首先将正在减速入港的前船视作一个移动的服务台(平均速度为v1)，则后船以v2-v1的速度到达队列接受服务.假设航道上船舶的到达率为λ′，则后续船舶追上前船的到达率

根据间隙理论，后船的服务时间不但受本航道船舶的影响，还受相邻航道船舶到达分布及流量的影响，其改变航道的平均等待时间

式中：Q为相邻航道流量;τ为临界间隔常数;μ为平均服务率.

后船受前船影响的平均时间

定义船舶运行延误为船舶受阻运行时间与理想运行时间之差，前船因港口拥堵对后船造成的平均延误时间

在不同流量下船舶航行速度之间的关系可以通过BPR路阻函数表示，因此

式中:V(q)表示当交通量为q时航路上的船舶速度;v0表示零流量航路上的船舶速度;K和c表示航路的实际通行能力;α和β是道路阻滞系数.

将某一港口挂靠的所有m条班轮航线加总，每条航线上班轮的间隔为Ii，单位时间内到达的船舶数为λ.将上述各式代入

得到T时间内港口拥堵所造成的船舶总延误.

通过解析D的表达式可以发现，延误时间随流量的增加呈指数递增关系.由于上式展开后在形式上不利于计算，本文以具有同样性质的指数函数代替原总延误函数D[16-18].

因拥堵成本与船舶延误时间成正比关系，故定义描述拥堵成本与节点流量之间的拥堵成本函数

f(u)=aub

式中:f(u)表示拥堵成本，美元/TEU；u表示某枢纽港的货量(由于采用指数形式表达，为使函数在整体量纲上统一，计算时将u视为无量纲值，仅保留数值关系)；a为有量纲系数，单位同f(u)；b为正常数且b≥1.参数a=1,b取不同值时的拥堵成本函数见图1.

图1 不同参数下的拥堵成本函数(a=1)

2 模型

2.1 模型的目标与假设

建立模型的目标是在保证港口间货物运量的前提下使拥堵成本成为广义运输成本的一部分，并使广义运输成本最小.模型假设如下：(1)各港口之间的航道没有通行能力限制；(2)一个非枢纽港既可以只分配给一个枢纽港，也可被分配到多个枢纽港，本文只考虑较为简单的单分配问题；(3)非枢纽港港口间不可直接连通，所有货流均需经过枢纽港中转且至多经过2个枢纽港.

2.2 模型的建立

为描述一个轴辐式海运网络枢纽港选择问题，引入如下符号：

G为网络中港口的集合，节点i,j,k,m∈G.i和j分别表示货物的起始港和目的港，k和m分别表示货物运输途中经过的待定枢纽港.p(p∈N)为待定枢纽港的数量.Fijkm表示以i为起始港、j为目的港，且依次通过i,k,m,j的货物运输成本，其计算式为

Fijkm=Wij×(Cik+αCkm+Cmj)

式中:Wij表示从i到j的货物需求量;Cik,Cmj,Ckm分别表示货物从i到k、从m到j以及k与m之间的单位运输成本;α表示枢纽港间运输的规模经济效应折扣.记0-1决策变量Zik,Zkk及Xijkm，其意义分别为：Zik取1表示节点i被分配到枢纽港k，取0则表示未被分配到枢纽港k；Zkk取1表示节点k被选为枢纽港，取0则表示未被选为枢纽港；Xijkm取1表示从i到j的货流经过k和m，且依次通过i,k,m,j.

结合第1节引入的拥堵成本函数，建立数学模型：

(1)

(2)

Zik≤Zkk, ∀i,k∈G

(3)

(4)

(5)

(6)

Xijkm∈{0,1}, ∀i,j(>i),k,m∈G

(7)

Zik∈{0,1}, ∀i,j(>i),k,m∈G

(8)

目标函数(1)表示网络内货物运输的广义总成本最小，包括货物运输成本及枢纽港拥堵成本；式(2)保证对网络中的任意节点i只能被唯一地分配到某个枢纽港；式(3)表示只有在港口k被确定为枢纽港以后才对其他节点进行分配；式(4)保证枢纽港的数量；式(5)和(6)确保对任意流经(k,m)的货流，节点i和j被分别分配至节点k和m；式(7)和(8)表示决策变量为0-1变量.

所以原模型可以改写为

约束条件仍为式(2)～(8).

2.3 目标函数的线性化

经线性化处理后，原模型可以写为

约束条件仍为式(2)～(8).

由于在线性化的同时引入无数个约束变量，为保持问题的等价性，模型改写为

约束条件为式(2)～(8)及

2.4 拉格朗日松弛

将约束条件中的式(2)，(5)，(6)分别用拉格朗日乘子σ，β，γ吸收到目标函数中，有

式中:

为方便求解，将原模型分解为以下两个子问题依次计算：

[子问题1]

Zik≤Zkk, ∀i,k∈G

Zik∈{0,1}, ∀i,k∈G

[子问题2]

Xijkm∈{0,1}, ∀i,j(>i),k,m∈G

3 算法设计

拉格朗日松弛算法的基本思路是将问题中难以求解的约束吸收到目标函数中，并且使原有的目标函数仍然维持线性，在保持前后问题同解的前提下降低原有问题的难度，然后通过循环迭代构造一个启发式算法逐步逼近取得最优解.因为计算过程在得到解的同时也可得到解的上下界，所以算法在求出目标解的同时也可以用来对解进行评价.针对文中模型设计拉格朗日松弛算法，提供一种求解非线性轴辐式网络的启发式算法.算法流程见图2.具体步骤如下.

步骤1初始化.为变量赋予初始值，包括循环迭代的最大步数N,停止迭代的评判标准ε,搜寻步幅计数变量M及步幅Δ.

步骤2求解子问题1.细分为更小的子问题1-k.采用割平面法先赋予目标函数一组有限个数的约束，再逐一将后续约束添加到先前的约束中直到满足迭代的停止标准.最后将p个有最小值的Zik对应的函数值相加.

图2 拉格朗日松弛算法流程

步骤5判断解是否满足停止原则：迭代次数小于N且(Zb-ZL)/ZL>ε(ZL是迭代过程中找到的最佳拉格朗日乘子，Zb代表目标函数的最佳可行解).若是，转步骤7；若否，转步骤6.

步骤7停止计算，输出最优解.

4 算例

4.1 基本数据

考虑一个由10个港口组成的班轮海运网络，为简化计算，假设港口间的正向货流量与逆向货流量及其运价相等.港口间相互货物运输量及单位运输成本见表1和2，表中:1为釜山港,2为大连港,3为上海港,4为厦门港,5为香港港,6为新加坡港,7为安特卫普港,8为鹿特丹港,9为汉堡港,10为南安普顿港.单位运输成本为2012年8月亚欧航线市场均价.

表1 港口间货流量 103 TEU

计算前先将逆向货流量与正向货流量相加，计算时利用网络的对称性求解单向货流量即可.在根据货流量求出每一条可能运输线路的运输成本并计入枢纽港的拥堵成本之后，依据模型最终可以得到枢纽港的选择结果.

4.2 算例结果及分析

算法设计用MATLAB实现，具体参数设置：N为1 000次，ε为0.01,M为10,Δ为2.

表3～5列出当a，b，p和α取不同数值时的计算结果:第1列表示枢纽港个数;第2列与第3列分别给出拥堵成本函数参数a和b，对a选取(1，5，10)，对b选取(1.1，1.5，1.7，2.0)，通过不同的a与b的组合考察参数的选择对结果的影响;第4～6列列出各枢纽港(H1,H2,H3)的货流量占总货流量的比重;为检验模型对网络中拥堵的控制效果，表中第7列引入货流量不平衡比(即在所有的枢纽港中，货流量最大者与最小者之比)以体现设计模型的初衷是分散货流、降低拥堵;第8列给出枢纽港选择的计算结果;最后一列给出所有情况下的总成本.

计算表明，当枢纽港的个数取2和3时，所得到的结果分别是(5，6)，(5，8)，(5，6，8)，模型选择的枢纽港口基本符合现有集装箱海运网络的真实格局.通过对各表的数据进行分析可以得出以下几点：

(1)规模经济系数α对结果的影响.随着α的逐渐增大，规模经济效应越来越不显著，从结果中可以看到总成本随着α的增大有一定的增长.同时，a的变化对结果的影响也体现在货流量不平衡比上，α越小则初始的不平衡比越大，说明为追求规模经济效应，货流量集中于某些关键节点之上.反之α越大，初始的不平衡比越小，规模经济效应越不明显.

表2 港口间货物单位运价美元/TEU

表3 10节点网络计算结果 (α=0.2)

表4 10节点网络计算结果 (α=0.4)

表5 10节点网络计算结果 (α=0.6)

(2)枢纽港个数对结果的影响.在保持参数a和b不变的前提下，包含更多枢纽港的网络总是有着更低的总成本.这是因为:一方面更多的枢纽港意味着在彼此之间的通路上可以利用更多的规模经济效应，从而降低运输成本；另一方面更多的枢纽港可以为运输路线的制订提供更大的选择余地，使之可以选择成本更低的路线.

(3)拥堵成本函数参数对结果的影响.引入的拥堵成本函数能够将拥堵效应转化成为经济成本，量化地反映拥堵对整个运输体系带来的不利影响.当a和b逐渐增大时，总成本随着拥堵成本的上升而增大，不同a与b的组合对结果产生一定的影响.不过某些港口在案例计算中始终出现在结果中(如新加坡港)，这说明拥堵成本函数的参数虽然可以改变某些情况下的计算结果，但港口本身的属性可能是更加具有决定性的因素.随着a和b的逐渐增大，货流量不平衡比在所有的计算结果中均出现逐渐下降的趋势，说明拥堵成本函数对网络中货流量的分配的确起着关键作用，有助于改善网络中由于过度追求规模经济效应而造成的部分节点流量过大的现象.

5 结束语

港口拥堵对整个集装箱海运系统造成严重的经济损失，已成为全球航运业面临的一项难题.本文针对枢纽港的拥堵现象，建立基于拥堵控制的枢纽港选择模型.该模型可以在现有的海运网络中进行枢纽港的优化选择、合理进行资源调配，并且可以作为班轮公司制订运营计划时的参考依据.

从宏观的角度看海运网络，该模型认为过度追求规模经济效应是造成港口拥堵的一个因素，而通过平衡各枢纽港间的货流量可以达到缓解港口拥堵的目的.对于班轮公司而言，优化海运网络可以更有效地帮助改进航线设计、节约成本以获得更多利益.

从拥堵控制的角度审视当前轴辐式海运网络的组织,为海运网络设计问题和相关研究提供一个全新的角度，只有更全面地考虑港口拥堵发生的原因才能更有效地完善海运网络.当然，该模型仍然有很多值得改进之处，未来的研究重点将着力拓展模型的各项设定使其更加符合海运网络的实际情况.

参考文献：

[1] O’KELLY M E. A quadratic integer program for the location of interacting hub facilities[J]. Eur J Operational Res, 1987, 32(3): 393-404.

[2] AYKIN T. Lagrangian relaxation based approaches to capacitated hub-and-spoke network design problem[J]. Eur J Operational Res, 1994, 79(3): 501-523.

[3] ERNST A T, KRISHNAMOORTHY M. Solution algorithms for the capacitated single allocation hub location problem[J]. Annals Operations Res, 1999, 86(0): 141-159.

[4] YAMAN H, CARELLO G. Solving the hub location problem with modular link capacities[J]. Computers & Operations Res, 2005, 32(12): 3227-3245.

[5] EBERY J, KRISHNAMOORTHY M, ERNST A,etal. The capacitated multiple allocation hub location problems: formulations and algorithms[J]. Eur J Operational Res, 2000, 120(3): 614-631.

[6] da GRAÇA COSTA M, CAPTIVO M E, CLíMACO J. Capacitated single allocation hub location problem: a bi-criteria approach[J]. Computers & Operations Res, 2008, 35(11): 3671-3695.

[7] 李莉, 丁以中. 轴辐式快递网络的枢纽选址和分配优化[J]. 上海海事大学学报, 2012, 33(2): 33-39.

[8] 陈淑文. 港口拥堵难题危及全球海运系统[J]. 中国远洋航务, 2007(3): 24-25.

[9] 寿建敏. 港口拥堵催生多式联运和世界海运格局的变化[J]. 集装箱化, 2005( 9): 41-43.

[10] FAN L, WILSON W W, DAHL B. Congestion, port expansion and spatial competition for US container imports[J]. Transportation Res Part E: Logistics & Transportation Rev, 2012, 48(6): 1121-1136.

[11] LEACHMAN R C, PAYMAN J. Congestion analysis of waterborne, containerized imports from Asia to the United States[J]. Transportation Res Part E: Logistics & Transportation Rev, 2011, 47(6): 992-1004.

[12] CHEN G, GOVINDAN K, YANG Z Z. Managing truck arrivals with time windows to alleviate gate congestion at container terminals[J]. Int J Production Econ, 2013, 141(1): 179-188.

[13] MENG Q, WANG X C. Intermodal hub-and-spoke network design: incorporating multiple stakeholders and multi-type containers[J]. Transportation Res Part B, 2011, 45(4): 724-742.

[14] 靳志宏, 兰辉, 孙威, 等. 集装箱多式联运协调计划的分级优化[J]. 上海海事大学学报, 2010, 31(1): 21-27.

[15] 白治江. 动态负载下堆场资源规划的在线决策[J]. 上海海事大学学报, 2010, 31(3): 52-57.

[16] de PALMA A, MARCHAL F. From W Vickrey to large-scale dynamic traffic models[C]// 26th Eur Transport Conf, Loughborough University. Australia: ARRB Group Limited, 1998.

[17] GILLEN D, LEVINSON D. The full cost of air travel in the California corridor[J/OL].Transportation Res Rec 1662, 1999: 99-0305[2012-01-12]. http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1089084.

神经网络控制模型篇4

关键词：神经网络,航向角,预测控制

现代自动控制装置日益向集成化、低功耗、智能化、仿生化方向发展, 迫切要求一种具有自学习、自适应、非线性类人控制的控制方法。神经网络控制方法基于较为复杂的预测模型, 利用大量数据训练得到的科学合理参数, 通过关联装置状态、本装置当前状态、本装置以往状态预测本装置下一时刻的状态, 可以显著提高测量控制精度, 实现智能控制。

1神经网络概述

神经网络 (NeuralNetworks) 是由大量具有简单处理功能的神经元广泛连接而成的复杂的非线性系统, 具有学习能力、自适应能力、非线性逼近能力等[2]。实际应用中, 使用最为广泛的是BP网络 (Back-Propagationnetwork) 即反向传播网络, BP网络属于多层结构、前馈式网络, 具有较强的非线性逼近能力, 能进行模式识别、程度评估和状态预测。对于任何在闭区间内的一个连续函数, 都可以用一个隐含层的BP网络来逼近, 因而一个3层BP网络可以完成任意的n维空间到m维的映射, 3层网络中间只有一层隐含层[5], 网络结构如图1所示。

2 神经网络预测偏航角的可行性

对模型直升机航向运动方程简化后认为模型直升机的偏航角度 (A) 仅与尾桨角度 (T) 有关, 公式 (1) 表示其基本输入输出关系。

训练样本{Tk, Ak, Ak-1, Ak-2}来自飞行状态试验数据, 预测模型采用BP网络模型, 其结构如图2所示[2]。

网络模型中隐含层的传递函数采用双曲正切函数 (Tanh) , 输出层采用线性函数 (Purelin) 。通过训练样本在PC机上训练, 确定权值w和阈值b (具体见程序代码部分) 。图2结构可以表示成公式 (2) 。

式 (2) 中u (1) =Tk, u (2) =Ak, u (3) =Ak-1, u (4) =Ak-2, y=Ak+1。

由于单片机运算能力较弱, 尤其是浮点运算能力弱, 而神经网络运算过于复杂, 因此, 将神经网络传递函数双曲正切函数简化为拟合度较高的非连续性多段多项式函数, 可以显著提高运算速度, 增强了控制系统的实时性[3,4]。简化后的函数如公式 (3) 所示[5]。

比较结果表明, 采用简化多项式, 能够满足控制精度性能要求, 同时运算速度具有显著改善。达到运用于单片机的目的。

3 基于单片机程序设计与实现

鉴于单片机资源极其有限, 在设计实现时, 在函数简化的基础上, 将参数用立即数形式表示, 减少变量数, 便于单片机实现。采用双曲正切函数的部分程序代码如下所示。

上述代码中u1、u2、u3、u4分别是输入, s1_1、s1_2、s1_3、s1_4分别是第一级输出, s2_1、s2_2、s2_3、s2_4分别是第二级输出, y是神经网络输出。

4 应用效果及结论

使用MCS52单片机在晶体振荡器12 MHz情况下, 分别采用两种函数的神经网络输出结果比较如表1所示。

由表1可以看出, 采用简化函数, 可以显著降低计算复杂度, 进而缩短计算时间, 运行结果显示:输出结果误差很小, 在允许误差范围之内。以上分析、设计及实现表明, 采用单片机实现神经网络预测控制算法在理论上是可行的[5], 在实际使用中可以明显改善控制性能, 可取得较好的改进效果。

参考文献

[1]尹婷婷, 高行山, 张娟, 等, 基于BP神经网络的U型电热微致动器仿真分析.动力学与控制学报.2008;6 (3) :265—269

[2]求是科技.单片机典型模块设计实例导航.人民邮电出版社.2008;6:298—305

[3]黄国建, 王建华.提高人工神经网络BP算法收敛速度的几种方法.华东船舶工业学院学报.1994;8 (2) :23—29

[4]李翱翔, 陈健.BP神经网络参数改进方法综述.数字通信世界.2009; (1) :23—29

[5]周洪煜, 彭其润, 周爱红.基于单片机和BP神经网络的凝汽器故障诊断系统.工业仪表与自动化装置.2003; (5) :33—35

[6]邱世卉, 刘兆有, 王琪.基于BP神经网络和支持向量机的异步电机故障检测.中国科技信息.2008; (15) :130—131

神经网络控制模型篇5

大坝变形分析遗传神经网络模型的改进

针对基本遗传算法(SGA)收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络(IGA-BP)模型,并将该模型应用于大坝水平位移的预测.结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的`改善.

作者：李珂岳建平马保卫周凯秦茂芬 LI Ke YUE Jian-ping MA Bao-wei ZHOU Kai QIN Mao-fen 作者单位：李珂,岳建平,马保卫,秦茂芬,LI Ke,YUE Jian-ping,MA Bao-wei,QIN Mao-fen(河海大学土木工程学院,江苏,南京,210098)

周凯,ZHOU Kai(福建省陆海建设监理所,福建,福州,350009)

刊名：测绘工程 ISTIC英文刊名：ENGINEERING OF SURVEYING AND MAPPING 年，卷(期)： 17(2) 分类号：P258 关键词：遗传算法 IGA-BP 变异算子数学模型变形分析

神经网络控制模型篇6

【关键词】ANN；水质评价；水质预测；MATLAB

1.引言

人工神经网络ANN（Artifical Neural Networts）的概念来源于生物神经网络。在ANN中，记忆的信息存贮在连接权上，外部刺激通过连接通道自动激活相应的神经元，以达到自动识别的目的[1]。因而，它是与现代计算机完全不同的系统。ANN模拟生物体中神经网络的某些结构和功能，并反过来用于其它领域。人工神经网络从拓扑上看成是以处理单元PE（Processing element）为节点，用加权有向弧连结而成的有向图，其模型较多，然而各有用途，如AG模型主要用于数据分类；SG模型用于信息处理；BAM模型用于图象处理；BP模型用于分类等[2]。

2.人工神经网络预测模型建立

神经网络模型一般很少有成型的规律可以遵循，也很少有成文的经验可以借鉴，通常都是模型建立者通过多次的试验，对模型进行反复训练，测试来确定最终的模型结构。建模工作主要从以下几个方面开展。

（1）确定网络模型中输入、输出变量个数。

（2）选择神经元的连接方式，是前馈网络还是反馈网络。

（3）定义网络的拓扑结构：单隐层或多隐层，以及隐层神经元数目。

（4）选择训练算法：标准的误差反向传播算法、附加动量-自适应学习速率相结合的梯度下降法、弹性算法、BGFS准牛顿算法[4]；LM算法等。

具有一定相关性的输入和输出水质参数都可以通过调节网络模型的内部结构和参数而找到一个合适的网络模型结构连接输入与输出。在该模型中，通过改变隐含层神经元的个数、隐含层和输出层的神经元传递函数、选择合适的学习算法等使建立的模型达到预定的误差要求（见图1）。

近些年，神经网络技术在水质预测中广泛应用，其中应用较多的是BP网络[3-4]。本文所建立的网络模型结构如图1所示，是具有单隐层的BP神经网络，其中R是输入层，S1是隐含层，S2是输出层，IW1.1表示输入层2.112权值矩阵，LW表示隐含层到输出层的权值矩阵，b、b分别表示隐含层、输出层网络阈值矢量，f1、f2分别表示隐含层、输出层的神经元传递函数。理论已经证明，具有如图1所示结构的BP神经网络，当隐层神经元数目足够多时，可以以任意精度逼近任何一个具有有限间断点的非线性函数[5-6]。

在图2中，设输入和输出变量都是水质参数，输入变量是影响输出变量的影响因子，输出变量是预测对象，假设输出层第j个神经元在时刻t的实际输出为yj(t)，希望输出为dj(t)，则时刻t网络的误差函数E(t)定义为：

q为输出层S2的神经元数。当E(t)≤ε

(ε为预先给定的误差)时，网络停止训练，此时的网络模型就是所需的。具有一定相关性的输入和输出水质参数都可以通过调节网络模型的内部结构和参数而找到一个合适的网络模型结构连接输入与输出。在该模型中，通过改变隐含层神经元的个数、隐含层和输出层的神经元传递函数、选择合适的学习算法等使建立的模型达到预定的误差要求。对于不同结构的模型，均需要依附于训练集，对模型进行网络训练和测试，从而找到合适的网络模型。将检测到的已知水质数据作为模型输入和输出的训练集，训练好的网络模型经仿真，其误差在允许范围内后，就可以应用到实际的水质预测中。

3.应用MATLAB建立网络模型

MATLAB是美国Mathworks公司1982年推出的数学软件，它具有强大的数值计算能力和优秀的数据可视化能力。本文应用MATLAB的GUI功能实现建模与仿真[3]。模型规模较大，不便于训练，也会降低网络的性能，并且理论已经证明，具有单隐层的BP神经网络模型，当隐层神经元数目足够多时，可以以任意精度逼近任何一个具有有限间断点的非线性函数，因此本文建立的是单隐层BP神经网络。由于影响因子共有6项，因此模型输入有6个变量，预测对象是连续3日的CODMn，即输出为3个变量。对于隐含层神经元个数的确定，虽然有很多文献介绍了一些方法，但这些方法只是一些经验方法，并不具有权威性，并且针对不同水域、不同情况的预测模型，即使输入、输出变量相同，当达到最佳预测效果时，其隐含层神经元个数都不一定是相同的，因此本文根据经验，隐含层分别从10—20个选值，同时在选择隐含层神经元传递函数时，分别选用LOGSIG和TANSIG函数。BP网络最后一层神经元的特性决定了整个神经网络的输出特性。当最后一层神经元采用Sigmoid型函数，那么整个网络的输出就被限制在一个较小的范围内；如果最后一层神经元采用PURELIN型函数，则整个网络输出可以取任意值，因此本文选择输出层的神经元传递函数为PURELIN。

原始的BP算法是梯度下降法，这种方法由于是线性收敛，速度很慢。LM算法是对于BP算法的改进，由于它利用了近似的二阶导数信息，它比原始的BP算法快得多，因此网络模型中采用LM算法。在确定好上述参数和函数后，应用MATLAB的GUI工具建立网络模型。图2是建立的网络模型之一。

输入和输出采用训练集数据，其中训练子集有825组数据，验证集有80组数据。因为隐含层神经元个数分别选择从11到20，神经元传递函数分别选择LOGSIG和TANSIG函数，这样就根据隐含层神经元个数和传递函数的不同建立20种模型，模型建立好以后就可以根据训练集数据进行训练。

4.值的选取

本文采用前文第三章聚类分析法中的研究结果，即把得到的聚类中心点作为模型的初始权值，因为聚类中心点是根据各个水质参数的实际分布情况经过综合计算得到的数据中心点，因此可以很好的代表各水质数据的分布情况，这样就可以很大程度的减少初始权值的盲目性和随机性。聚类中心点作为初始权值的应用将在下节详细介绍。

5.推广能力的提高

推广能力是衡量神经网络性能好坏的重要标志。一个“过度训练”的神经网络可能会对训练样本集达到较高的匹配效果，但对于一个新的输入样本矢量却可能会产生于目标矢量差别很大的输出，即神经网络不具有或具有较差的推广能力。为了提高网络的推广能力，本文采用提前停止法，它可以有效地提高网络的推广能力。提前停止法是将训练集在训练之前划分为训练子集和验证集。训练子集用于对神经网络进行训练，验证集用于在神经网络训练的同时监控网络的训练进程。在训练初始阶段，验证集形成的验证误差通常会随着网络训练误差的减小而减小，但是当网络开始进入“过度训练”时，验证误差就会逐渐增大，当验证误差增大到一定程度时，网络训练就会提前停止，这时训练函数会返回当验证误差取最小值时的网络对象。

参考文献：

[1]Recknagel F.et al.Modeling and prediction of phyto and zooplankton dynamics in Lake Kasumigaura by artificial neural networks.Lakes&Reservoirs:Research and Management.1998,3(2):123-133.

[2]卢新卫.基于人工神经网络的水质污染综合评价方法[J].工程勘察,1997(6):25-27.

[3]Joseph H.W.Lee,Yan Huang,Mike Dickman,A.W.Jayawardena.Neural network modelling of coastal algal blooms.Ecological Modeling.2003,159(2-3):179-201.

[4]Tung-Chueng Chang,Ru-Jen Chao.Application of back-propagation networks in debris flow prediction.Engineering Geology.2006,21(3-4):270-280.

[5]许东,吴铮.基于MATLAB6.x的系统分析与设计——神经网络(第二版)[M].西安电子科技大学出版社,2002.

[6]Vandenberghe,V.,Bauwens,W.,Vanrolleghem,P.A.Evaluation of uncertainty propagation into river water quality predictions to guide future monitoring campaigns.Environmental Modelling&Software.2007,22(5):725-732.

作者简介：

邹劲松（1975—），男，重庆人，讲师，主要研究方向：水利信息化技术。

徐伟刚（1962—），男，重庆人，副教授，主要研究方向：水利信息化技术。

神经网络控制模型篇7

关键词：风力发电机组,神经网络,变桨距系统,PID算法

0 引言

随着世界各国工业的发展, 人们对电力的需求日益增加。使用石油、煤炭等不可再生能源, 一方面给环境带来严重污染, 另一方面这些资源的储量也在不断下降, 这迫使人们开发新的能源。风能作为一种清洁的可再生能源, 越来越受到重视, 已不再是无足轻重的板凳队员, 而是最具有商业发展前景的新兴能源产业。

变桨距风力机根据发电机输出功率改变桨叶节距角, 使输出功率维持在额定值左右。变桨距控制与定桨距相比, 不仅可更大程度地获取风能, 而且可使功率输出平稳, 已成为当今国际风力机的主流产品。变桨距机构根据驱动性质可分为电动机驱动方式和液压驱动2种方式, 在大中型并网型风力发电机组中, 液压驱动方式体积小更为常用。

由于风能的随机性、不确定性及气动效应等引起的负载扰动, 变桨距开关的频繁动作, 液压驱动大质量叶轮负载的惯性环节, 使得变桨距控制系统具有非线性、时变性、外界干扰大, 滞后性等技术特点, 采用先进的控制理论如滑模变结构、变论域自适应模糊等尝试来解决这些问题已有应用[1]。首先介绍液压变距机构动作过程及数学模型、然后针对PID变距控制结构, 应用BP神经网络算法进行PID参数调节, 然后进行仿真[2,3]。

1 液压变桨距机构数学模型

变桨驱动系统由缸内放置位移传感器的电液比例阀控位移系统组成, 主要的控制阀采用四通换向比例阀。如图1所示, PID控制器输出经过放大器把信号变为10V内的模拟量, 输出到比例阀。电量信号的大小强弱决定比例阀阀位开度, 从而调节油路流量。电量信号的正负决定油路方向。油液到达液压缸推动活塞杆前进或者后退, 活塞杆通过曲柄机构在-2°～90°之间转动。

在做基本分析时, 放大器、比例阀都可以视为比例环节;液压缸为纯惯性负载, 动态特性为比例积分和二介振荡特性环节, 变距液压执行机构结构框图如图1所示, 其传递函数为:

undefined

无论油液为何种运动形式, 变距液压执行机构系统组成都可以用图1中的系统方块图表示[4]。

2 神经网络模型参考自适应控制器设计

模型参考自适应控制的原理是利用一个可调系统的各种信息, 度量或测量出某种性能指标, 把它与参考模型的性能所期望的性能指标相比较;用性能指标偏差通过非线性反馈的自适应机律调节可调系统, 以削弱可调系统因“不确定性”所造成的性能指标的偏差, 最后达到使被控获得好的性能指标的目的[5]。BP神经网络模型参考自适应PID控制结构如图2所示。图中NNI为BP神经网络辨识器, PID所需要的三参数Kp, Ki, Kd由BP神经网络调整输出;r为输入序列, 且r有界;u为控制输出序列;yout为对象输出序列;yref为参考模型输出序列;e1为对象输出与参考模型输出之间的误差;e2为辨识器与对象输出之间的误差。

在图2中参考模型要求是稳定和完全可控的, yout即为被控对象的期望输出。控制的目的是确定控制序列u (k) 达到:

E (k) =lim‖yref (k) -yout (k) ‖ ≤ε k=1, 2, …

式中:E (k) ——在k采样点的控制误差;

ε ——期望误差值, ε>0。

即当k≥k0时, 系统的输出yout (k) 能跟踪模型参考的输出yref (k) , yout渐渐趋近于yout, 从而获得期望的控制输出。

2.1 参考模型的选择

参考模型选择为一阶惯性系统, 其传递函数可描述为:

undefined

式中:r (s) ——参考模型输入;

yref ——参考模型的输出。

yref (t) = (1-e-t/Tref) r (t)

其中:Tref——时间常数, 通过选择Tref的值, 可以获得所需要指数形式的曲线。

2.2 BP神经网络结构

采用三层3-8-3结构的神经网络, 其结构如图3所示。

图3中M=3, Q=8, L=3, 输入节点对应桨距调节误差即参考模型输出与实际输出的差值, 并进行归一化处理。输出节点对应PID控制器的3个可调参数Kp, Ki, Kd, 输出层活化函数取非负的Sigmoid函数, 隐含层的活化函数取非负正负对称的Sigmoid函数。由图3可见BP神经网络输入层的输入为:

Oundefined=xk-j=e1 (k-j)

j=0, 1, …, M-1 (M=3)

Oundefined≡1

隐含层的输入输出为:

undefined

O (2) i (k) =f[net (2) i (k) ]=tanh (net (2) i (k) )

(i=0, 1, …, Q-1)

Oundefined (k) ≡1

式中:wundefined——隐含层加权系数;

wundefined——阈值θi。

输出层的输入输出为:

undefined

当:l=0, 1, …, L-1时, 则:

Oundefined (k) =Kp;

Oundefined (k) =Ki;

Oundefined (k) =Kd。

式中:wundefined——隐含层加权系数;

wundefined——阈值θl。

取性能指标函数为:

undefined

依据最速下降法修正网络的加权系数, 按对加权系数的负梯度方向搜索调整, 并附加一加速收敛全局极小的惯性项, 则有:

undefined

式中:η——学习速率;

α——惯性系数。

因此BP神经网络输出层加权系数的计算公式为:

wundefined (k+1) =wundefined (k) +ηδ (3) lOundefined (k) + (αΔwundefined (k)

undefined

隐含层加权系数的计算公式为:

wundefined (k+1) =wundefined (k) +ηδ (2) iOundefined (k) + (αΔwundefined (k)

undefined

由于∂y (k+1) /∂u (k) 未知, 近似用符号函数sgn (∂y (k+1) /∂u (k) ) 取代, 由此带来的计算不精确通过调节学习速率η补偿。

神经网络辨识器NNI采用先离线后在线的辨识, 即当神经网络辨识模型与被控对象模型接近到一定程度后, 再通过在线辨识对网络参数进行微调, 学习算法同上在此不再详细说明。

3 仿真结果

应用MATLAB软件对上述模型参考自适应神经网络控制伺服系统进行仿真。根据实际经验[6], 液压变桨距机构可以用一个三阶传递函数模型表示:

G (s) =kess (s2+ξωns+ω2n)

设定采样时间为1ms, 对被控对象进行离散化处理, 以正弦信号作为给定输入, 即假定系统给定输入节距θ为实时变化角度, 仿真结果 (图4) 为神经网络模型参考自适应控制时的响应曲线及误差曲线, 图5为采用传统的PID控制的响应曲线及误差, 通过对两幅图的比较不难看出, 神经网络控制器可以参照模型通过学习调整权值迅速逼近期望输出, 动态跟随性能好, 调节误差小;而传统PID控制在跟踪中存在较大的误差。

4 总结

基于液压驱动式变距机构模型, 设计出了闭环系统输入输出神经网络模型参考控制系统, 理论分析和仿真结果表明, 采用模型参考自适应控制方法能系统实际输出能很好的跟踪模型输出, 说明了神经网络模型参考控制策略在液压变桨系统控制中是有效的。

参考文献

[1]杨金明, 吴捷.风力发电系统中控制技术的最新进展[J].中国电力, 2003 (8) :65-67.

[2]陶永华.新型PID控制及其应用[M].北京:机械工业出版社, 2003.

[3]刘金琨.智能控制[M].北京:电子工业出版社, 2007.

[4]关景泰.机电液控制技术[M].上海:同济大学, 2003. (Guan JT.The control technology of mechanical electrical and hydraulic[M].Shanghai:Tongji University Press, 2003.)

[5]徐湘元.自适应控制理论与应用[M].北京:电子工业出版社.

神经网络控制模型篇8

随着Web应用和HTTP请求的爆炸性增长, ISP服务提供商所提供的服务的多样化, 多媒体应用的急剧发展, 使得目前许多热门的Web服务器都经常面临严峻考验, 严重情况下, 服务器可能出现延迟服务或者由超载引起瘫痪的问题, 如何在服务器端处理好网络请求量过大, 数据传输过多等造成的ISP源端网络拥塞, 如何控制拥塞, 满足网络Qos和为用户提供优质的网络服务是现在迫切需要解决的一个问题。为了解决这些问题, 本文提出了基于多Agent的网络拥塞控制方法。该方法充分利用Agent的社会性、自主性和智能性, 通过各个Agent的功能实现, 相互协调来解决Web服务器端出现的网络拥塞, 保证服务质量。

2 基于多Age nt的网络拥塞控制模型

Agent具有自主性、交互性、主动性和反应性等, 它不仅能作用于自身, 而且可以施动作于环境, 并能接收环境的反馈信息, 重新评估自己的行为;同时, 它能与其他Agent协同工作。

2.1 基本模型

当网络服务的请求过多或服务器过载时, 多Agent系统对所引发的拥塞状态进行监测, 并通过拥塞控制策略, 管理请求队列, 合理分配带宽, 提高服务器性能, 满足Qos需求。

该多代理系统, 主要有以下几个部分组成:

(1) 功能代理:完成特定功能的代理, 在此系统中, 主要分为三类代理—监测代理、控制代理和执行代理。这些功能代理负责对整个网络进行监测, 获取系统相关信息, 然后交由控制代理来进行处理, 通过执行代理来执行请求服务。

(2) 代理通信语言:代理通信语言 (ACL) 是代理之间进行知识共享和知识交换的协议性语言。通常使用的代理通信语言包括两种:知识查询与操作语言 (KQML) 和FIPA ACL。

(3) 知识库:包括规则库和事例库。规则库存放代理执行时必须执行的规则, 事例库存放存在的事例, 供代理学习。知识库的更新及维护主要通过网络管理员管理和代理通过事例和事件学习累积。

2.2 Agent功能

监测代理主要负责监听信道和网络设备, 完成对服务器请求数据包的统计和相关数据的收集。主要职责包括TCP连接信息, 解析数据包, 分析并记录服务请求类型, 数量以及可能需要的带宽, 并提交给控制代理。

控制代理:分析由检测模块上传的服务请求数据, 判别链路拥塞情况, 在尽量满足用户需求的情况下, 由拥塞的程度, 服务请求的优先级以及请求数据的大小, 分配合适的带宽, 建立请求队列。

执行代理:负责建立调度策略库, 针对各种网络拥塞情况以及队列, 给出合适的调度, 以响应Http请求。

2.3 Agent之间的协调

Agent之间通过代理通信语言, 将各自无法完成的任务或者是需要发送的信息, 进行协调。在该系统中, 监测代理将监听到的数据发送给控制代理, 控制代理根据策略库进行排队、分配带宽, 并将这些策略发送给执行代理, 由执行代理完成调度工作, 响应Http的请求。

在拥塞控制过程中, 如果处于某种特殊情况时, 各Agent可以再次协商, 重新排队, 分配带宽以及合理调度。

2.4 知识库的建立

在知识库的建立是通过Agent的学习过程, 在各Agent中都有相应事件的策略, 当某类事件的发生在所列策略库以外, 则其自动建立新的策略, 并协商其他Agent建立各自的策略。

3 拥塞控制

当网络中存在过多的报文时, 网络的性能会下降, 网络拥塞时, 发送端吞吐量下降, 分组的时延增加, 在路由器中分组的丢弃概率增大等等。

拥塞产生的根本原因在于用户提供给网络的负载大于网络资源容量和处理能力。也就是说, 网络的资源与网络的流量不均衡, 用户对网络的需求和网络的供给不匹配, 将会产生拥塞。

3.1 基于多Agent的网络拥塞控制策略

ISP为用户提供服务, 用户总希望在最短的时间里得到更好更快的服务, 但是现在的网络瓶颈无法满足用户的全部需求, 所以只能尽量满足, 目前所使用的网络拥塞控制方法都是基于TCP/IP来做的。

本模型将拥塞控制系统建立在服务器端, 通过多Agent协作, 来处理服务请求, 使带宽最大程度的使用。

3.2 拥塞判别算法

通常ISP能提供的主干带宽是一定的。我们将拥塞状态划分为四种:无拥塞、轻度拥塞、中度拥塞、严重拥塞。

依据Red算法的核心思想, 选取ISP出口输出队列长度为判别依据, 通过SNMP轮询ISP至广域网端口MIB库中的对象if Out Qlen来取得L值.令L表示出口输出队列当前长度, L1, L2和L3分别表示相应的拥塞判别阈值, 拥塞状态判别规则为:

3.2.1 无拥塞, 0≤L

此时处于轻载状态。

3.2.2 轻度拥塞, L1≤L

是网络的最佳状态, 因为这时网络在保持服务质量的同时, 出口吞吐量也接近最大。

3.2.3 中度拥塞, L2≤L

指网络汇聚流量增大的情况下, 吞吐率反倒呈下降趋势, 此时需要对流量进行调控。

3.2.4 严重拥塞, L3≤L;

此时吞吐率急剧下降, 必须采用丢包等较强控制手段来保证网络的正常运行。令L为ISP出口输出队列允许的最大长度, L1, L2和L3的求取规则为:L1=L×40%;L2=L×60%;L3=L×95%。

3.3 拥塞控制相关流量统计

通过解析捕获的IP数据包, 可以获得Web服务器的所有TCP连接请求及带宽需求信息, 形成TCP连接统计表.该表包括源IP, 目的IP, 源端口, 目的端口, 应用类型, 数据量以及Contral Flag。该表记录了TCP连接及这些连接在SNMP轮询间隔内的流量统计信息。数据量字段给出了在给定统计时间内, 当前TCP连接的会话数据量总和;应用类型字段给出了由目的端口中的熟知端口所代表的公共应用服务;Contral Flag控制标记中的Urgent data, 如果URG为1, 表示这是一个携有紧急资料的封包。

3.4 队列管理

队列管理是通过选择何时丢弃何种业务流分组来控制队列长度。

分类机制分为两大类:

3.4.1 基于客户的分类

基于客户的分类是根据客户某些特有的属性和特征来进行分类, 具体包括:

基于客户端IP地址的分类

基于HTTP cookie分类

基于Web浏览器即Plug-ins插件的分类

3.4.2 基于目标的分类

基于请求目标的分类是根据请求的目标所特有的一些属性和特征来进行分类, 具体包括

基于请求URL的分类

基于目标IP地址或端口号

采用优先级队列的形式, 解决网络拥塞。由D-Agent检测信道的闲与忙, 当信道闲时, ISP以最快的速度满足用户请求;信道忙时, 拟采取优先级队列的方法, 重新排列队列, 分配带宽;根据ISP提供的各种服务, 分配原始带宽和优先级;通过对TCP连接信息统计表, 按IP段分类并计算这N个IP段各自实际占用带宽比例。然后, 计算各IP段超过预定义带宽的百分比, 值越越大, 说明IP段超出预分配流量越大, 相应IP地址所建立的TCP连接优先级越低, 进入较低优先级队列;反之进入较高优先级队列.如此就可以形成优先级队列.另外如果在TCP连接统计表中某IP请求Contral Flag值为1时, 将其优先级设为最高, 其它类推。

3.5 调度策略

执行代理使用请求调度策略从中选择请求进行服务, 为每类服务提供不同的服务级别。常用的调度策略有:

3.5.1 绝对优先级:

总是调度优先级最高的请求, 然后再处理低优先级请求。

3.5.2 加权优先级:

根据客户请求的加权重要程度进行选择服务。

3.5.3 共享容量:

根据某一事先设定好的系统资源容量对每类请求进行调度, 任何未使用的系统资源可以分给其它类请求。

3.6 控制策略

3.6.1 无拥塞或轻度拥塞

不启动网络拥塞控制, 保证通信效率

3.6.2 中度拥塞

需要实施流量控制来缓解拥塞.根据TCP流量统计表形成优先级队列, 向优先级队列中记录的TCP连接发送ICMP源站抑制报文, 减小TCP连接发送窗口大小, 以达到流量控制的目的

3.6.3 严重拥塞

在严重拥塞状况下, 对各个队列内TCP连接发送ICMP源站抑制报文的同时, 还要通过发送TCPRST来断开各个队列相应分类对象新的连接请求以达到拥塞控制的目的.

4 小结

本文运用多Agent的方法对拥塞进行控制是可行的, Agent具有自主性、交互性、主动性和反应性等, 都符合网络智能化的需求, 如果在策略库上增加更加丰富的学习库, 可增加拥塞控制的灵活性, 但是可能会影响通信效率。

参考文献

[1]Stevens W R, 陆雪莹, 蒋慧等译.TCP/IP详解[卷1:协议].北京:机械工业出版社, 2000.

[2]温文.网络拥塞的解决措施及实例分析设计, 计算机时代, 2005[3].

[3]范玉顺, 曹军威.多代理系统理论、方法与应用.清华大学出版社, 2002.

[4]Ramadas Shanmuam、R.Padmini、S.Nivedita、NIIT公司.TCP/IP详解.电子工业出版社, 2004.

[5]肖道举, 王悦, 陈晓苏.基于侦听机制的网络拥塞控制模型.华中科技大学学报, 2003[8].

[6]Barford P.Critical path analysis of TCP transactions.IEI、E/ACM Transactionson Networking, 2001, 9[3]:238～248.

神经网络控制模型篇9

随着全球气候变暖问题日益加剧,以二氧化碳为主的温室气体排放的检测和控制成为各国关注的焦点问题之一。与依靠政府行政命令控制碳排放不同,作为从总量上控制碳排放的一种基于市场的管理机制,碳排放交易在欧盟各国得到了广泛运用,碳排放交易系统EU-ETS(European Union Emission Trading System)是在欧盟内最早实施且较为成熟的一套交易机制,并得到了联合国的认可和推广。全球碳排放交易量预计2025年将达到2万亿美元。我国即将在2015年开始实施碳排放交易,目标是到2050年碳排放量比2010年减少45%。

本文将分析物流网络环境下基于碳排放交易系统的库存成本控制问题。库存成本主要包括以货物运输为主的订货成本和持有成本。由于货物运输及持有过程中的能源消耗和劳动力付出等成本,碳排放因素的介入势必对库存成本控制产生影响。现有的库存成本控制文献主要包括:Kang等[1]分析基于一个供应商和多个零售商的二级供应链下,考虑仓库运营成本、零售商及仓库的存货持有成本、从配送中心至仓库的运输成本等条件下模型的构建,并借助启发式算法从中找出较为合适的仓库地址。Shen等[2]在供应链设计中扩展了基于成本的地点-存货模型,分析如何通过配送中心和配送点的选择,达到在不增加较多成本且成本最优的前提下提高客户响应度。Huang等[3]基于经典经济订货量模型分析,在零售商获得交易信用的前提下如何在成本最低的情况下确定其相应的存货政策。Shu等[4]结合仓库地点、运输方式、销售价格、存货补充等因素,分析供应商管理存货的物流网络设计及其获得较高利润的有效途径。现有库存成本控制文献中涉及不同运输方式及货物持有等对库存成本的影响,但较少涉及碳排放因素。考虑碳排放的相关文献主要包括:Kim等[5]以英国公路货物运输为代表,构建并分析在公路运输中的碳排放多目标优化模型。Ramudhin等[6]构建碳交易市场条件下的绿色供应链模型,在综合考虑设施固定成本、产品生产成本、运输成本及碳排放成本的基础上构建4级供应链模型,并利用数值加以分析,使管理者明晰总物流成本与碳排放减少之间的关系。Sundarakani等[7]从供应链全局角度出发,借鉴水力测量模型测算了静态和动态环境下供应链中的碳排放。Piecyk等[8]分析了包括碳排放在内的影响英国公路物流运输决策的各种因素,并在3种场景下预测了2020年英国公路运输的碳排放量。由此可以看出,融合碳排放的供应链决策问题研究更多集中在战略层面,缺乏具体针对战术及运营层面的分析;对于碳排放也多是给出一种测算模型,由于外部环境因素的复杂性,其实际应用明显不足。

在货物运输过程中,速度快的运输方式往往伴随较高的运输成本和较多的碳排放量,但客户的响应度较高;速度慢的运输方式虽然其运输成本及碳排放相对较低,但可能会由于不能及时响应客户需求而导致信誉度降低甚至违约赔偿等损失。

鉴于此,本文将在物流网络环境下,结合碳排放对订货成本及持有成本等的影响,进行考虑碳排放的库存成本控制研究。

1 模型的构建与求解

本文将构建结合碳排放因素的库存成本模型,并从订货和持有等构成库存成本的两个主要方面分析碳排放对库存成本的影响。通过对本问题的研究,可以帮助管理者在明晰碳排放对库存成本造成影响的基础上,通过订货量的调整达到碳排放成本和库存总成本之间的一种平衡。经典经济订货量模型是库存管理中最常见的一个模型,该模型在已知需求确定、不允许缺货和不考虑订货提前期等条件下考察成本最小时的经济订货量。库存总成本包括运输成本、持有成本及相关的罚成本(包括不能按时交货的罚金及运输途中时间过长造成的货物腐败变质等)。运输时间长短和持有数量是影响总成本的2个主要因素,在运输和持有这两个环节中碳排放也最多。时间因素在库存管理中起着重要作用,较短时间的运输不仅可以有效减少货物在运输途中的惩罚成本,也能减少货物的库存量(Shuihui)。但运输时间的减少与运输工具速度的提高密不可分,速度的提高依靠能源的高消耗,从而增大在运输过程中的碳排放。在传统经济订货量模型的基础上,本文融入时间、碳排放等因素,重新构建经济订货量模型。

1.1 模型符号含义

D为货物的年需求量

Q为每次采购货物量

K为货物的每次采购成本

H为货物的持有成本

S为货物运输车辆速度

L为运送货物两地之间距离

β为单位时间内运输货物罚成本系数,单次运输货物罚成本为βQ

F0、F为货物持有中固定及变动碳排放量,依据线性关系,储存Q数量货物的成本为F0+FQ

N0、N为运输中固定和变动的碳排放量,N0为运输工具空载时的碳排放量

α为依据运输速度的碳排放调节系数,一般而言,速度越快碳排放越高,即α>1

C为单位数量碳交易价格

M为碳分配额度

Y为碳交易数额,Y>0表示购买,Y<0为出售

1.2 模型的求解

对于经典的经济订货量模型,总成本TC1的计算方式为:

由(1)式可以推出经济订货量Q1为:

订货总成本TC1为:

传统的经典经济订货量模型主要是基于静态环境的库存分析,并未考虑在物流网络环境下货物运输速度对货物持有量及罚成本的影响。运输速度的提高有助于货物持有量的降低。由于不能及时运达而可能产生的罚成本与运输时间、单位货物罚成本、订货量有关,考虑线型关系,罚成本为故总成本TC2为:

由(4)式推出:

经济订货量Q2为:

总成本TC2为:

由于碳排放主要发生在货物运输和持有环节,是影响库存成本的主要因素之一,因此在库存成本构成要素中必须加以考虑。

基于市场的碳交易机制下,企业可以从市场中买卖其不足或超支的碳排放额度,因此,考虑碳排放的总成本TC3的计算方式如下:

在货物持有过程中,除固定成本外,碳排放主要与持有货物数量有关。碳排放量为持有中的碳排放量为故其总排放量为因而库存成本优化模型应为:

对上述模型求解,可以得出:

经济订货量Q3为:

总成本TC3为:

当禁止碳排放或碳交易价格过高时,经济订货量则为碳排放量TC4最小时的数值Q4,其中TC4=C

TC4对Q求导得出此时经济订货量Q4。

2 模型结果分析

通过对上述模型求解结果的分析,可以得出以下结论:

(1)当β<β0时,Q4<Q3<Q2;当β>β0时,Q4>Q3>Q2;当β=β0时,Q4=Q3=Q2,其中

证明:比较Q2、Q3及Q4的结果即可。

由此可以看出,当单位罚成本满足条件时,是否考虑碳排放的经济订货量并不发生变化。当单位罚成本固定不变时,运输距离越大,考虑碳排放的经济订货量大于不考虑碳排放的经济订货量。单位数量的碳交易价格对3种情况下的经济订货量关系并不产生影响,即在运输距离保持不变的情况下,考虑碳排放的经济订货量和不考虑碳排放时的订货量大小关系保持不变。

当β<(或>)β0时,随着Q的增大,在达到Q4(Q3)之前,碳排放成本和总成本都在下降;在Q4和Q3之间,碳排放成本逐步增大(降低),但由于储存和运输的成本的下降(增大),导致两者之和的总成本仍然下降(增大);在达到Q3(Q4)之后,随着Q的增大,碳排放成本和总成本均呈现增大的趋势。

(2)在考虑碳排放情况下,经济订货量与碳分配额度无关。在碳分配额度不变的情况下,随着单位碳排放价格的上升,当β>β0时,经济订货量增加;反之,经济订货量减少。

证明:由公式(10)可以看出,Q3与M无关。是否大于零取决于M'>0,其中M'=2DSN0H+4LD2βSN0-2DSKF,由此得出以上结论。同理,可以得出TC3对C求导大于零的条件。

(3)若碳交易价格伴随分配额度的增加而减少,则当β>β0时,经济订货量随着碳分配额度的增加而增加,反之则减少,其中

证明:碳交易价格随着分配额度的增加而下降,因而即可得证。

由此可以看出,随着碳排放价格的上升,经济订货量是否增加取决于β的临界值β0,而总成本则取决于M的大小。

M的变化只会对总成本产生影响,Q的变动会对持有和运输成本产生影响,因此,M的变化并不会影响经济订货量。

(4)在考虑碳排放的前提下,随着单位碳排放价格的上升,当M<M0时,总成本也相应增加,其中:

证明:TC3对C求导,判断其式大于零时的条件,即可证明。

因此,随着碳排放价格的上升以及企业碳分配额度的增加,企业如果能够卖出更多的碳,就会获得较大的收益,从而使得成本降低,因此,碳分配额度会对成本产生影响。

(5)当对碳排放没有约束时,其经济订货量为Q2;当禁止碳排放时,其经济订货量为Q4。

证明:当对碳排放没有约束时,M可以为任意大的整数,而碳交易价格可视为0,即当M→∞时,这就表明,当没有碳排放限制时,经济订货量可以不考虑此项限制。

当严格禁止碳排放时,M为0,此时碳交易价格可为任意大的正数,即当M=0时,c(M)→∞,此时从而说明,当碳排放交易价格过高时,只能选取碳排放成本最低时的订货量。

3 数值分析

为了得到进一步的分析结果,对于以上推导出的结论采用具体数值加以验证。计算数据取自文献[9],计算结果如表1所示。

从图1可以看出,随着变量β值的增加,不考虑碳排放量经济订货量Q2显著下降,而考虑碳排放的经济订货量Q3数值下降幅度较缓,Q4则不受β数值的影响。从而得出,当β=β0=0.0005时,Q4=Q3=Q2;当β<β0=0.0005时,Q4<Q3<Q2;当β>β0=0.0005时,Q4>Q3>Q2。

上述分析说明,考虑碳排放后,受持有和运输中碳排放固定及变动成本的影响,使得Q3数值的变化变得不太明显,经济订货量并未发生大的波动,处于较平稳的状态。这主要是由于将碳交易价格与单位持有成本的乘积作为影响经济订货量因素的原因。当考虑碳排放最小时的经济订货量时,与单位罚成本系数无关。

由图2可以清晰看出,当β>β0时,随着碳交易价格C的增加,若要保持库存总成本最低,经济订货量需随之变大;同时当M<M0时,随着碳交易价格C的增加,总成本同样呈现一种上升的趋势。这说明,当单位罚成本较高的时候,随着碳交易价格上升的时候,较多的经济订货量能够满足由于碳价上升所带来的成本增加的影响,更多地体现一种规模经济的效益。当碳分配额较低的时候(低于M0),随着碳价的上升,企业存货成本会由于碳排放成本的增加而增加;而当碳分配额度较高的时候(高于M0),企业可能会对多出的碳分配额度进行交易,从而获得收益,因此,随着碳价的上升,其总成本呈现一种下降的趋势;当碳分配额度适当时(等于M0),总成本不受碳价的影响。

4 结语

从以上分析的结果可以看出,不同单位的罚成本系数β对于不考虑碳排放、考虑碳排放及碳排放最少3种情况下的经济订货量会产生一定程度影响,但由于碳排放因素的加入,使得经济订货量受单位罚成本系数的影响变得不太显著。当碳交易价格上升的时候,且单位罚成本系数高于一定数值时,经济订货量仍然呈现一种增加的趋势;而当碳排放额度较低的时候,随着碳价的上升,企业可以通过碳交易获取收益,使得总体成本降低。

对于企业管理者而言,如何在提高经济效益和降低环境污染之间取得平衡,是急需解决的问题之一。同样,在库存成本控制中管理者也面临碳排放降低和总体成本增加之间权衡的问题。通过本文经济订货量变化对碳排放成本及总成本影响的分析,可以帮助管理者在不同的经济环境下(碳排放额度变化、碳交易价格不同、惩罚成本的改变等),通过经济订货量的调整,在碳排放成本和总成本之间找到相应的平衡,为管理者决策提供相应的帮助和支持。

本文是基于确定性需求、不存在缺货和提前期的前提,针对各种不同经济环境展开的考虑碳排放对库存成本控制的研究,在需求不确定和有提前期的条件下考虑碳排放的经济订货量、碳排放成本及总成本等相关问题,将成为以后重点研究的内容。

摘要：碳排放是导致全球气候变暖的主要因素之一。基于市场的碳排放交易系统是从总量上控制碳排放的一种有效机制,在此机制下的碳交易价格将直接影响碳排放成本。碳排放是影响物流网络库存成本的要素,为此,构建了碳排放交易系统下考虑碳排放因素的库存成本模型,并分析碳交易价格、碳分配额度及惩罚成本等因素变化对经济订货量及总成本的影响,为管理者通过订货量调整达到碳排放成本和总成本之间的平衡提供决策支持。

关键词：库存管理,订货量,碳排放,物流网络

参考文献

[1]KANG J H,KIM Y D.Inventory control in a two-level supply chain with risk pooling effect[J].International Journal of Production Eco-nomics,2012,135(1):116-124

[2]SHEN Z J M,DASKIN M S.Trade-offs between customer service and cost in integrated supply chain design[J].Manufacturing andService Operations Management,2005,7(3):188-207

[3]HUANG Y F,HSU K H.On an EPQ model for deteriorating items under permissible delay in payments[J].Applied Mathematical Modelling,2007,31(3):393-403

[4]SHU J,LI Z,SHEW H,et al.A logistics network design model with vendor managed inventory[J].International Journal of Produc-tion Economics,2012,135(2):754-761

[5]KIM N S,JANIC M,BVAN WEE.Trade-off between carbon diox-ide emissions and logistics costs based on multi objective optimization[J].Transportation Research Record,2009,2139(1):107-116

[6]RAMUDHIN A,CHAABANE A,KHAROUNE M,et al.Carbon market sensitive green supply chain network design[C].IEEE Inter-national Conference on Industrial Engineering and Engineering Man-agement,2008:1093-1097

[7]SUNDARAKANI B,RDE SOUZA,M GOH,et al.Modeling carbon footprints across the supply chain[J].International Journal of Pro-duction Economics,2010,128(1):43-50

[8]PIECYK M I,MCKINNON A C.Forecasting the carbon footprint of road freight transport in2020[J].International Journal of Production Economics,2010,128(1):31-42

神经网络控制模型篇10

为了提高现代复杂系统的安全性和可靠性,容错控制技术得到了发展,尤其是主动容错控制由于包含一个FDD(Faultdetectionanddiagnosis,FDD)子系统,能在线检测和分离出系统发生的故障,并根据不同故障模式对已有控制律进行重组或重构新的控制律,使系统性能尽可能达到满意水平,因此更受学术界和工程界青睐[1,5]。但成果多数是针对线性系统或非线性系统在工作点附近线性化而提出的,然而实际对象中大多数是非线性的,因而对非线性系统的容错控制研究具有突出的实际意义[6,7]。由于神经网络极强的非线性映射能力,近年来在非线性系统容错控制领域得到了不少应用。文献[8]采用GDHP(globalizeddualheuristicprogramming)来产生基本控制律,并且与动态模型库相结合,基于相应指标计算分析判断系统的运行模式,进而进行控制律的重组或重构实现容错控制。文献[9]通过采用基于神经网络的EKF(extended Kalmanfilter)算法,针对系统实际运行状态在线辨识其模型,并自适应调整PID控制器参数以实现对系统的容错。文献[10]将2个BP神经网络分别用于动态模型库的建立和控制律参数整定,并根据一种隐性故障诊断和决策机制实现对非线性系统的容错控制。但是传统的BP算法易陷入局部极值点,且计算过程繁琐,计算量大。因此,本文提出了一种基于RBF网络建模,并进而建立系统正常和各种具有先验故障知识的模型库,采用基于神经网络的PID控制方法对各种可能的系统运行模式离线整定出控制律,在系统实时运行时,依据文中提出的系统性能容忍度指标和模型失配度指标的计算分析,判断系统运行处于正常或某种故障状态,并重组切换与模型匹配的控制策略,从而达到系统主动容错控制目的。

1 基于多模型切换的主动容错控制

1.1 控制方案

基于多模型切换的主动容错控制系统结构如图1所示,为了提高故障诊断及容错控制律重组重构的快速性和可靠性,与传统主动容错控制的区别是该系统采用一个监控机制取代了传统主动容错控制系统中的FDD及相应的辅助决策子系统。监控机制从系统的性能角度出发,以系统发生故障时性能必然会变差从而导致系统性能容忍度指标异常为判断依据来进行控制律重组。整个过程中监控机制并不去确定故障的大小和具体所在,仅宏观地依据此时系统模型失配度指标的计算分析,确定出系统运行的状态模式,进而调用相应的控制律或在线重构新的控制律以使系统性能重新满足要求,达到容错控制的目的。模型库是监控机制进行在线监控指标计算分析决策的基础,监控机制根据系统性能容忍度指标和模型失配度指标计算分析的结果,进行控制器参数的切换调整,从而实现系统的容错控制。考虑到容错方法的应用推广性,采用现今工业上运用最为广泛且具有良好鲁棒性和可靠性的PID控制器作为正常和容错控制的控制策略。

1.2 监控机制的工作原理

上述多模型容错控制方法的监控决策机制的工作分为两个阶段进行,即监控指标的计算和控制律的决策调度。监控机制根据实时数据计算出系统性能容忍度指标Qc和模型失配度指标Qi[10],并判断系统实际运行模式,由此对系统的控制律作相应的调整。若Qc超出其阈值,但可以从模型库中匹配到合适的运行模式,则判断系统发生了已知故障,可直接调用与当前运行模式相匹配的控制律以控制律重组实现主动容错控制;若Qc和Qi同时超出其阈值,则判断系统发生了未知故障,说明模型库中无与之匹配的运行模式,则应启动在线辨识和控制律重构机制重新建立新的运行模式的模型以及PID优化参数,并将其补充入模型库,以控制律重构实现容错控制。

1.3 基于RBF神经网络对PID参数的优化整定

本方案在系统模型的建立上采用RBF网络,避免了局部极小的问题;在控制律的整定上虽然与文献[10]一样都采用了传统的PID算法,但在结构上进行了优化。本方案的PID参数整定算法巧妙地利用了建模过程中RBF网络的Jacobian信息,从而使系统建模到PID参数的整定只用了一个RBF神经网络,不仅在结构上更加简单,而且使系统控制律的整定速度得到了加快。

这里PID采用增量式控制算法[11],控制误差为:

PID的三项输入为:

控制算法为:

神经网络整定指标为:

kp,ki,kd的调整采用梯度下降法:

式中,yΔu为被控对象的Jacobian信息,可通过RBF神经网络的辨识而得。

1.4 多模型之间的决策切换机制

系统运行时多模型之间的决策切换机制在系统运行时可分为两个层面进行,即监控指标的计算和控制律决策切换,具体步骤如下:

step 1在k时刻,根据实时数据按定义分别计算性能容忍度指标Qc(k)和模型失配度指标Qi(k);

step 2进行系统运行性能水平判断:

(1)如果Qc(k)≤QcT,认为系统运行性能在正常水平,维持原来的控制律不变,转至step 6;

(2)如果Qc(k)>QcT,认为系统发生故障,转而根据Qi(k)进行运行模式的判断;

step 3进行运行模式的判断:

(1)如果Qi(k)≤QiT,认为从模型库中取得Qi(k)的相应的模型模式s即是系统状态改变后新的运行状态的模型,转至step 4;

(2)如果Qi(k)>QiT,认为此时原模型库中没有合适的运行模式与系统新的运行状态相匹配,即判断发生了新的未知故障,转至step 5;

step 4调用运行模式s相应的控制律为新的控制律,完成新控制律的切换重组,转至step 6;

step 5启动模型在线辨识和控制律在线自整定算法程序,并将新的故障模型与之匹配的控制律存入模型库,I=I+1(此部分方针研究本文暂未涉及);

step 6k=k+1,重复step1～step5。

2 仿真实例

仿真实验假设所有可能发生的故障类型为已知,即模型库中已包含了所有可能的系统运行状态(正常运行和已知故障)的神经网络模型。

2.1 非线性系统仿真实例对于非线性系统:

采用RBF网络为各种运行模式建立知识模型,并离线整定出相应的控制律(其正常及已知各种故障时的参数值如表1所示,由此构建模型库。

对系统运行过程中可能出现的情况进行仿真,整个过程相应的系统性能容忍度指标Qc和模型失配度指标Qi的仿真曲线如图2所示,其充分反映了系统在运行模式变化及其引起控制律切换之后系统性能的变化情况。

起初系统正常运行,当k=201时发生故障1,k=501时发生故障2,k=801时又发生故障3,从图2所示的系统性能容忍度指标和模型失配度指标可以看出,当系统运行状态发生变化(发生故障或恢复正常)时,由于模型库的存在,使控制律的重组重构变得比较容易,系统性能容忍度指标均在较短时间内恢复到了可接受的范围内,并保持较好的性能继续运行。

2.2 线性系统仿真实例

对线性系统:

依然采用RBF网络为各种运行模式建立知识模型,并离线整定出相应的控制律(其正常及已知各种故障时的参数值如表2所示,由此构建模型库。

对系统运行过程中可能出现的情况进行仿真,整个过程相应的系统性能容忍度指标Qc和模型失配度指标Qi的仿真曲线如图3所示。

系统起初正常运行,当k=101时发生故障1,k=301时发生故障2,k=501时发生故障3。从图3所示的系统性能容忍度指标和模型失配度指标曲线可以看到,整个过程中,系统仍表现出对运行状态变化的快速可靠的适应性。仿真试验表明文中所提方案对线性系统同样适用。

3 结语

本文针对具有可能故障先验知识的系统,提出基于RBF网络多模型的主动容错控制方法,对系统可能出现的故障,基于动态模型库,通过在线对系统运行中的性能容忍度和模型失配度的计算,检测系统的故障并进行控制律重组,从而达到了主动容错的目的。由于本方案采用的是RBF网络,因此克服了系统建模时存在的局部极小问题。同时由于从建模到PID参数的整定只用了一个RBF神经网络,也使整个容错机制在结构上更加简单,使系统控制律的整定速度得到了加快。仿真算例表明了该方法的有效性,继而对一线性系统也采用了本文提出的主动容错控制方法进行了仿真,仿真表明此方法对于线性系统同样适用。

摘要：针对某些具有可能故障先验知识的非线性系统,基于RBF网络对系统正常及各种先验故障情形建模,并离线整定出各种故障模式下的控制律,由此建立模型库,进而构建基于多模型切换的主动容错控制系统;系统实时运行时,依据系统性能容忍度指标和模型失配度指标的计算分析,判断系统所处运行模式,进而调用与之匹配的控制律,从而达到对非线性系统主动容错控制的目的。最后将提出的主动容错控制方法应用于系统进行MATLAB仿真,结果表明了方法的有效性。

关键词：RBF网络,模型库,主动容错控制

参考文献

[1]Patton R J.Fault-tolerant control:the1997situation.Proc of IFAC/IMACs Symposium on Fault Detection and Safety for Technical Process.Hull,England,1997:1033—1055

[2]Jin Jiang.Fault-tolerant control systems——an introductory overview.Acta Automatic Sinica.2005;31(1):161—174

[3]周东华,Ding X.容错控制理论及其应用.自动化学报,2000,26(6):65—70

[4]Zhang Youmin,Jiang Jin.Integrated active fault tolerant control using IMMapproach,IEEE Transactions on Aerospace and Electronic Sys-tems,2001;37(4):1221—1235

[5]Chen J,Patton R J,Chen Z.Active fault tolerant flight control sys-tems design using the linear matrix inequality method.Trans Inst Meas Control,1999;21(2/3),77—84

[6]Weng Z,Patton R J,Cui P.Active fault-tolerant control of a double inverted pendulum.Proc of IMechE Systems and Control Engineering.2007,221;895—904

[7]Wang Youqing,Zhou Donghua,Gao Furong.Robust fault-tolerant control of a class of non-minimum phase nonlinear processes.Journal of Process Control,2007,17;523—537

[8]Yen G,DeLima G.Improving the performance of globalized dual heu-ristic programming for fault control through an online learning Supervi-sor.IEEE Transactions on Automation Science and Engineering,2005;2(2):121—131

[9]Yu Dingli,Chang TK,Yu Dingwen.Fault tolerant control of multiva-riable processes using auto-tuning PID controller.IEEE Transactions on System,Man,and Cybernetics—part B:Cybernetics,2005;35(1):32—43

[10]李炜,鲁保云,乔平原.一种基于多模型的主动容错控制方法研究.甘肃科学学报,2007;19(4):92—96

神经网络控制模型篇11

关键词：会计信息质量；BP神经网络模型；评价模型

会计信息质量特征，即会计信息的确认、计量、记录和披露程序中所到达到要求和标准。现如今会计信息失真越来越严重，直接导致资本市场的发展严重受阻，以及投资者和其他会计信息用户的投资热情和自信大大受挫。对他们来说，只有准确评估会计信息质量，他们才能为管理或投资以及其他经济决策做出正确的选择。所以，更好地评价会计信息的质量，具有重要的实践价值和理论意义。

一、構建评价指标体系

（一）选取评价指标

有效地选取会计信息质量评价指标，应该从生成会计信息质量的识别问题和披露会计信息质量的标准来进行探讨和研究。会计信息质量特征又兼顾了相关性和可靠性，因此，文章将从相关性和可靠性这两个方面来分割和选择会计信息质量评价标准。

企业提供的会计信息之间的相关性应与投资者及其他相关财务报告对用户的经济决策需要，有助于投资者如财务报表使用者对企业过去、现在或将来做出评价或预测。即选取重要性、时效性、可比性和明晰性四个评价指标。

可靠性，指的是企业提供的会计信息有诚信，没有偏见甚至是错误的，真实、客观体现出企业经营业绩情况。即企业所提供财务报告，应当内容真实、数据精准。即选取真实性、完整性、谨慎性和实质重于形势四个评价指标。

（二）构建指标体系

根据上述分析，即可以构建出一套指标体系构架，具体如下面的表所示：

二、BP神经网络评价方法概述

（一）BP神经网络的定义

BP神经网络，从字面意义理解即与生物的神经网络相似。生物的神经网络是检测和识别信息的有机体，并可以在生物间相互传送信息。

文章所讨论的BP神经网络就是在生物神经网络的基础特征上的推广和应用，从而使BP神经网络具有模仿，传输，识别和控制的特点，而不是完全复制生物神经网络的结构和功能。BP神经网络主要是由输入层、隐含层和输出层组成，其结构包含至少三层，具有一定的数据传输和处理功能，就像生物的神经网络，具有较强自我调整、自我组织、自我适应和自我协调的能力。

（二）BP神经网络的算法

BP神经网络具体的算法如下图：

最后，经过仿真处理后，我们就可以准备几组测试样本来测试网络训练结果的合理、准确性。（作者单位：吉首大学商学院）

参考文献：

[1] 牛丽文，郑娟娟.企业会计信息质量模糊综合评价模型及应用[J].河北工程大学学报（社会科学版），2012（12）.

[2] 乔莉.我国会计信息质量问题研究[J].现代商业，2012，No.29126：244-245.

[3] 杜栋，庞庆华.现代综合评价方法与案例精选[M].北京：清华大学出版社，2008.

[4] 黄玥.企业内部控制与会计信息质量问题探析[J].中国乡镇企业会计，2012，11：169-171.

[5] 康楠楠.上市公司会计信息质量评价研究[D].东北石油大学，2012

神经网络控制模型篇12

关键词：工程造价神经网络估算模型,建筑工程,成本

引言

工程造价估算作为工程项目可行性研究的基础项目, 也是招投标时制定标底的根据, 它的准确性对项目的投资决定有着非常重要的影响, 同时对项目投标的竞争力也起着影响作用。所以, 针对工程估算方法与估算模型的研究, 国内、国外学者都有着一定的研究。

1 工程造价估算模型的发展

美国和英国是在工程造价管理和估算模型方面起步最早, 也是发展得最完善的国家, 经过对相关信息的研究, 我们可以将工程造价模型分为以下三代:

1.1 第一代模型

第一代模型大概是20世纪五六十年代后期, 其特征比较明显, 按照单位面积造价估算。代表之一有英国“工程造价信息服务部” (BCIS) 创建的造价估算数学模型, 该模型是在完成的工程数据中, 挑选与之非常相似的一个, 对其基础部分、主体部分、内装修部分、外部工作部分、设备安装部分以及公共服务设施部分做估算。计算简单是这种模型的优势, 无论一个项目有多么大, 仅仅是几个部分就可以计算完成。它的劣势是灵活性比较差, 准确度取决于和已经完成的工程项目的类似程度, 工程的准确度随类似程度的提高而越发精准。

1.2 第二代模型

20世纪70年代中期出现了第二代模型, 主要的特点是回归分析。第二代模型以为, 任意的两个工程几乎不可能完全一模一样, 所以, 仅仅是用某一个已经完成的工程的资料作为参考是不合适的, 而对用户来说又难以适合地给出各类调整系数。以这种观点为基础, 1974年, 英国的Kouskoulas和Koehn提出了回归方程, 即

式中, C指的是单位平米造价估计, v1指的是地区指数, 从v1之中可以分析出当地居民的生活水平, 每年官方会给出统计数目;v2指的是全国价格指数, 每年官方会将这一部分数字公布出来;v3指的是为建筑类型, 其可以将各种建筑物间成本比例表示出;v4是高度指数, 一般是用层高来衡量;v5是质量指数, 通常为以下表现情况:一、雇佣工人与使用的材料的质量;二、楼房的用途;三、设计的水准;四、构件的种类和质量。上面所提到的几个原因基本上都是定性的, 所以, Kouskoulas会采用等级系数的表现方法达到这种定量化目的, 让建设单位以打分的方式来进行描述;v6是技术指数, 重点显示因为采用了新技术、新工艺或者新材料所产生的成本变化。

1.3 第三代模型

第三代模型在1980年出现, 主要分为两种:

1) 应用计算机模拟技术建立模拟模型。从模型的基础上来看, 工程造价受到的影响因素具有不确定的性质, 不应该对于一个定值开展研究;而是应该计算现实造价在某个范围的几率是多少。按照这种思维, 运用计算机进行施工模拟。给各个分工程, 提出可能的造价先验概率, 之后使计算机随机产生。将这个随机数代入下面的分项工程, 结合工程之前给出的先验概率, 再产生一个随机数。这些随机数就能够代表一个单项工程的实际造价。直到所有工程都模拟完毕, 以上的造价综合起来, 就可以视为总造价。这样模型的优点就有所体现, 即在大量资料的工作准备之上, 使结果估计更符合客观实际。

2) 通过人工智能和知识库技术的使用, 研发工程造价估算系统, 依靠专家协助, 对工程造价开展估算。估算专家的经验决定了这个方法的准确度, 此外对专家还要要求经常更新知识库。

2 人工神经网络估算模型

人工神经网络是近些年分工智能科学发展的一个分支, 经过证实, 它不但可以用在识别语言、自动控制等领域, 而且还可以用在预测、评价等等其它的方面, 其准确度高于回归模型是显而易见的。这篇文章使用神经网络开展工程造价估算, 也是人工神经网络应用的一个领域。

根据BP算法, 建立适合的神经网络学习系统, 所有工程造价的估算系统由四个板块组成, 包括样本录入模块、样本学习模块、误差分析和造价估算模块。

3 基于D F N N的建设工程成本估算

3.1 确定影响的原因

在框架中, 对于模糊神经网络的模式, 我们可以分析出来影响造价的原因, 展开计算。通常, 影响工程造价的因素很多, 若将其看做变量, 那么就会使计算量增大, 从而降低测算的精确度。而对工程造价在真正意义上有着决定性影响的, 是它最重要的原因。倘若忽略了重要原因, 那么就会影响测算的精度。

3.2 动态模糊估算模型

基本的估算方法是在对相似工程叙述时, 可以利用模糊数学方法, 选择符合要求的神经网络, 将使用的模糊工程特点当做网络输入值, 以信息扩散的形式进行, 将工程里出现的单方造价看作网络目标, 展开网络训练, 把这个工程里的特点数值带入训练网络, 得到一个与工程相关的单方造价估算值。基于模糊神经网络基础, 估价模型表现的思想使用手机之前, 各种特殊的工程造价, 对材料和特征进行研究, 这可以看做是一项训练, 之后展开神经网络相关训练, 实现由空间工程特征转变到估算材料之上, 这也可以看做是一个映射过程, 该映射具备高度非线性特点, 在此基础上, 对复杂工程造价进行表达。将模型进行分类处理的话, 可概括为输入预处理模块、神经网络模块和输出处理模块三种, 最需要注重的是神经网路模块。

4 结语

【神经网络控制模型】推荐阅读：

BP神经模型06-30

神经网络控制07-14

神经肌肉控制10-01

神经网络滑模控制07-25