无模型自适应迭代学习控制原理和matlab代码仿真学习记录

无模型自适应ILC原理及代码实现

这里学习的是很老的一篇论文《基于无模型自适应控制的反馈-前馈迭代学习控制系统收敛性研究》，作者是晏静文和侯忠生，大家有兴趣可以找来看看。这里主要介绍的无模型自适应的控制率的matlab代码仿真实现和结果分析。
首先数值给出了问题定义，给出m维输入q维输入的非线性系统：
$$y_n(k+1)=f(u_n(k),y_n)(k),\xi (k),k)$$
两个假设是为了收敛性证明提出的，这里不详细讲（其实收敛性推导我也没推），然后对于该系统设计了前馈和反馈控制律如下：
$$u_n(k)=u_n^f(k)+u_k^b(k)$$
$$u_n^f(k)=u_{n-1}^f(k)+\beta e_{n-1}(k+1)$$
$$u_n^b(k)=u_n^b(k-1)+\frac{\rho \ast {\varphi }_n(k)}{\lambda +|\widehat{{\varphi }_n}(k){|}^2}\ast [y_d(k+1)-y_n(k)]$$
$$\widehat{{\varphi }_n}(k)=\widehat{{\varphi }_n}(k-1)+\frac{\eta \Delta u_{k-1}^b}{\mu +|\Delta u_{k-1}^b{|}^2}\ast [\Delta y_n(k)-{\hat{\varphi }}_n(k-1)\Delta u_n^b(k-1)]$$
$${\hat{\varphi }}_n(k)=\hat{\varphi }(1)，若{\hat{\varphi }}_n(k)\le ϵ或|\Delta u_n^b(k-1)\le ϵ|$$
终于把公式打完了，latex真麻烦（对于第一次用的人来说）。可以看到控制部分有两部分组成，前馈和反馈，外加伪偏导迭代公式。
仿真系统如下：

期望曲线：

基于控制律和系统编写matlab代码如下：

% 期望轨迹
for k = 1:1:500
	if k < 250
		yd(k+1) = 0.5*(-1).^(round(k/100));
	else 
		yd(k+1) = 0.5*sin((k*pi)/100) + 0.3*cos((k*pi)/50);
    end
end

% 参数设置
epsilon = 0.01;
eta = 1;
rho = 0.2;
lamda = 1;
mu = 2;

% 控制过程
i_n = 60;  %迭代次数
y(1:i_n,1:500) = 0;
for i = 1:1:i_n
	for k = 1:1:500
		if k == 1
			phi(i,k) = 0.4;
		elseif k == 2
			phi(i,k) = phi(i,k-1) + (eta*(ub(i,k-1) - 0)/(mu + norm(ub(i,k-1) - 0)^2))*(y(i,k) - 0 - phi(i,k-1)*(ub(i,k-1) - 0));
		else 
			phi(i,k) = phi(i,k-1) + (eta*(ub(i,k-1) - ub(i,k-2))/(mu + norm(ub(i,k-1) - ub(i,k-2))^2))*(y(i,k) - y(i,k-1) - phi(i,k-1)*(ub(i,k-1) - ub(i,k-2)));
		end
		if i == 1
			uf(i,k) = 0;
		else 
			uf(i,k) = uf(i-1,k) + 0.4*e(i-1,k+1);
		end
		if k == 1
			ub(i,k) = 0;
		else 
			ub(i,k) = ub(i,k-1) + (rho*phi(i,k)/(lamda + norm(phi(i,k))^2))*(yd(k+1) - y(i,k));
		end
		if k>2 && (phi(i,k) <= epsilon || (abs(ub(i,k-1) - ub(i,k-2)) <= epsilon))
			phi(i,k) = phi(i,1);
		end
		u(i,k) = uf(i,k) + ub(i,k);
		%系统函数
		if k <250 
			y(i,k+1) = y(i,k)*u(i,k)/(1 + norm(y(i,k))^2) + (u(i,k) + 0.1*round(k/500)*sin(y(i,k)))^3;
		else
			y(i,k+1) = y(i,k)*u(i,k)^3/(1 + norm(y(i,k))^2) + u(i,k)^3;
		end
		e(i,k+1) = yd(k+1) - y(i,k+1);
	end
end
%误差
for i =1:1:i_n
e_min(i) = max(abs(e(i,:)));
end

figure(1) 
plot(yd,'r'); hold on;
plot(y(i_n,:),'b'); title('µü´ú10´Î');
figure(2)
plot(e_min);title('error of time k');

代码就是按照控制律来写的，还是自己敲一下印象深刻。
仿真结果：迭代10次结果：

50次迭代：

100次迭代：

100次迭代 最大误差和最下误差收敛结果：


结束。