基于改进分布式模型预测控制算法

1.本发明涉及分布式计算模型技术领域，具体为基于改进分布式模型预测控制算法。


背景技术：

2.分布式计算模式是指由多个相互连接的计算机组成的一个整体，这些计算机在一组系统软件(分布式操作系统或中间件)环境下，合作执行一个共同的或不同的任务，最少依赖于集中的控制过程、数据和硬件。分布式计算模式比较特殊，它具有客户机/服务器流模式的相反特性，或者该模式是对等模式和客户机/服务器流模式的混合。在该模式中，流量主要发生在任务管理器及其计算设备之间(与客户机/服务器模型相似)，或者发生在计算设备之间(与对等模式相似)。具体模式的行为特征取决于分布式计算是如何进行的。
3.分布式模型尚在研究阶段，仍然存在一些重点或难点问题有待解决，例如，传统分配问题效率低，控制器之间能否协调处理问题。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了基于改进分布式模型预测控制算法，解决了上述背景技术中提出的问题。
6.(二)技术方案
7.为实现上述目的，本发明提供如下技术方案：基于改进分布式模型预测控制算法，具体如下步骤：
8.s1、系统整体及控制问题被分解成多个小的子问题，各子问题间相互关联，各控制器与其它控制器间交换信息；
9.s2、从结构上将其拆分为多个子系统，将线性动态系统拆分为多个有耦合输入的子系统；
10.s3、当子系统间有着明确物理意义的耦合关系时，按耦合关系进行系统分解；
11.s4、当系统集中模型未知或不明确时，根据经验直接对子系统建模，并建立各子系统间关联模型；
12.s5、给每一个子系统定义一个目标函数，将系统的集中目标解析分解；
13.s6、每一个控制子问题分配给一个特定的控制器以进行求解，大部分控制器结构的设计过程离线进行且不在线修改；
14.s7、资源共享，各控制器间的目标函数相冲突时，每一个控制器在考虑相邻控制器决策时修改自己的决策；
15.s8、控制器预测出相邻控制器的下一步操作，控制器异步工作时自动学习。
16.优选的，所述步骤s4中，不需要系统的全局模型。
17.优选的，所述步骤s8中，给网络中的每一个控制器分配神经网络问题，进行离线神
经网络训练以提高在线计算能力。
18.优选的，所述步骤s7中，子问题间相互解耦，每个控制器的最优解相互独立，否则可以使用同步法或异步法处理迭代关系。
19.优选的，所述步骤s1中，减小控制器间的信息交换，控制器间信息交换越少，越能以自己的速度工作。
20.(三)有益效果
21.本发明提供了基于改进分布式模型预测控制算法，具备以下有益效果：
22.(1)、本发明中控制器间资源共享，各自能够了解到相邻控制器的行动，设置自动学习的特征，能够预测控制器的下一步骤，利于提高合作协议的适应性，自动学习可以应用到参数辨识中，提高问题求解及决策能力。
23.(2)、本发明中能够很好的协调各子系统的控制行为，保证耦合约束满足，每个子问题分配给一个特定的控制器以进行求解，能够使控制其执行效率高，能提高问题解决的能力。
具体实施方式
24.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.本发明提供一种技术方案：基于改进分布式模型预测控制算法，具体如下步骤：
26.s1、系统整体及控制问题被分解成多个小的子问题，各子问题间相互关联，各控制器与其它控制器间交换信息；
27.s2、从结构上将其拆分为多个子系统，将线性动态系统拆分为多个有耦合输入的子系统；
28.s3、当子系统间有着明确物理意义的耦合关系时，按耦合关系进行系统分解；
29.s4、当系统集中模型未知或不明确时，根据经验直接对子系统建模，并建立各子系统间关联模型；
30.s5、给每一个子系统定义一个目标函数，将系统的集中目标解析分解；
31.s6、每一个控制子问题分配给一个特定的控制器以进行求解，大部分控制器结构的设计过程离线进行且不在线修改；
32.s7、资源共享，各控制器间的目标函数相冲突时，每一个控制器在考虑相邻控制器决策时修改自己的决策；
33.s8、控制器预测出相邻控制器的下一步操作，控制器异步工作时自动学习。
34.进一步的，所述步骤s4中，不需要系统的全局模型。
35.进一步的，所述步骤s8中，给网络中的每一个控制器分配神经网络问题，进行离线神经网络训练以提高在线计算能力。
36.进一步的，所述步骤s7中，子问题间相互解耦，每个控制器的最优解相互独立，否则可以使用同步法或异步法处理迭代关系。
37.进一步的，所述步骤s1中，减小控制器间的信息交换，控制器间信息交换越少，越
能以自己的速度工作。
38.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
39.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。


技术特征：
1.基于改进分布式模型预测控制算法，其特征在于：具体如下步骤：s1、系统整体及控制问题被分解成多个小的子问题，各子问题间相互关联，各控制器与其它控制器间交换信息；s2、从结构上将其拆分为多个子系统，将线性动态系统拆分为多个有耦合输入的子系统；s3、当子系统间有着明确物理意义的耦合关系时，按耦合关系进行系统分解；s4、当系统集中模型未知或不明确时，根据经验直接对子系统建模，并建立各子系统间关联模型；s5、给每一个子系统定义一个目标函数，将系统的集中目标解析分解；s6、每一个控制子问题分配给一个特定的控制器以进行求解，大部分控制器结构的设计过程离线进行且不在线修改；s7、资源共享，各控制器间的目标函数相冲突时，每一个控制器在考虑相邻控制器决策时修改自己的决策；s8、控制器预测出相邻控制器的下一步操作，控制器异步工作时自动学习。2.根据权利要求1所述的基于改进分布式模型预测控制算法，其特征在于：所述步骤s4中，不需要系统的全局模型。3.根据权利要求1所述的基于改进分布式模型预测控制算法，其特征在于：所述步骤s8中，给网络中的每一个控制器分配神经网络问题，进行离线神经网络训练以提高在线计算能力。4.根据权利要求1所述的基于改进分布式模型预测控制算法，其特征在于：所述步骤s7中，子问题间相互解耦，每个控制器的最优解相互独立，否则可以使用同步法或异步法处理迭代关系。5.根据权利要求1所述的基于改进分布式模型预测控制算法，其特征在于：所述步骤s1中，减小控制器间的信息交换，控制器间信息交换越少，越能以自己的速度工作。

技术总结
本发明涉及分布式计算模型技术领域，且公开了基于改进分布式模型预测控制算法，具体如下步骤：S1、系统整体及控制问题被分解成多个小的子问题，各子问题间相互关联，各控制器与其它控制器间交换信息；S2、从结构上将其拆分为多个子系统，将线性动态系统拆分为多个有耦合输入的子系统；S3、当子系统间有着明确物理意义的耦合关系时，按耦合关系进行系统分解；S4、当系统集中模型未知或不明确时，根据经验直接对子系统建模，并建立各子系统间关联模型；控制器间资源共享，各自能够了解到相邻控制器的行动，设置自动学习的特征，能够预测控制器的下一步骤，利于提高合作协议的适应性，自动学习可以应用到参数辨识中，提高问题求解及决策能力。及决策能力。


技术研发人员：陈珊 陈以 胡水源
受保护的技术使用者：桂林电子科技大学
技术研发日：2022.04.07
技术公布日：2022/7/15