论文部分内容阅读
本文在研究了预测控制原理、神经网络和遗传算法理论的基础上，针对预测控制中存在的模型预测精度不高、滚动优化策略少，不适用于非线性对象的问题，提出了基于神经网络的预测控制。利用神经网络的非线性逼近性能来建立被控过程的预测模型，运用遗传算法来优化神经网络的权值，不仅学习收敛快，学习精度高，而且很好的摆脱了BP算法所面临的局部极值和初始权值的限制；采用遗传算法作为预测控制的滚动优化策略，避免了梯度算法中的多次求导运算的问题，从而使得求解过程简化。在晶体生长这一时变、时滞、非线性系统的仿真研究中，这种控制策略取得了良好的控制效果。