本文探讨了在课程设计中使用时间序列模型和模型预测控制（MPC）算法进行优化的方法。介绍了quadprog函数的学习和线性代数的复习作为基础，重点在于理解MPC算法的约束条件和目标函数。文中提到，系统具有强惯性性质，通过设置单位矩阵A和变量x来构建约束，并提出了归一化的数据处理方法以改善收敛性和误差平衡。目标是寻找最优决策变量a和b，确保它们始终大于零。
优化方法——课程设计——（时间序列模型？）
思路仍然不清晰，查看文章中，MPC算法
1、了解 quadprog函数
2、复习线性代数
问题求解
目前已知：
- 设置一个矩阵A的阶数为训练集的个数的单位矩阵
- x为实际和预测的差
- 约束条件为（并非实际约束，只是有这个约束条件，仍需写为Ax=b的形式）：
目标函数 Object Function
n的意义为从t=t-n开始对t‘的产量都有影响，表面系统具有强惯性性质
T为训练的样本截止时间
其中a，b是3n个决策变量，不随时间变化
最终的目标函数
·如果下面的变换是正确的
则有：
约束条件 s.t.
a_k>0
数据处理
- 用极差标准化方法归一化样本数据,因为这样可以获得较好的收敛性并能够平衡控制参数的相对误差，将数据映射到[0,1]（参考论文）
9066
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
