【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制

来源：侯忠生教授的《无模型自适应控制：理论与应用》（2013年科学出版社）。

👉对应书本 7.2 单输入单输出系统(SISO)紧格式动态线性化(CFDL) 和 4.4 单输入单输出系统(SISO)紧格式动态线性化(CFDL)的无模型自适应迭代学习控制(MFAILC)

学习控制律

数据模型：
$y\left(k+1,i\right)=y\left(k+1,i-1\right)+{\varphi }_c(k,i)\Delta u(k,i)$

给定期望轨迹 $y_d(k),k=0,1,\dots T$，控制目标是寻找合适的控制输入，使得跟踪误差 $e(k+1,i)=y_d(k+1)-y(k+1,i)$ 在迭代次数i趋于无穷时收敛为0.

控制律：
$u\left(k,i\right)=u\left(k,i-1\right)+\frac{\rho {\varphi }_c\left(k,i\right)}{{|{\varphi }_c\left(k,i\right)|}^2+\lambda }e\left(k+1,i-1\right)$

PPD参数估计算法

$\widehat{{\varphi }_c}(k)=\widehat{{\varphi }_c}\left(k-1\right)+\frac{\eta \Delta u\left(k-1\right)}{\mu +{\Delta u\left(k-1\right)}^2}\left[\Delta y(k)-\widehat{{\varphi }_c}(k-1)\Delta u\left(k-1\right)\right]$

其中，μ>0为权重因子，为了让控制算法更具一般性，引入步长因子 η∈(0,1] .

PPD参数重置算法

如果
$\left|\widehat{{\varphi }_c}(k,i)\right|\le \epsilon$
或
$\left|\Delta u\left(k,i-1\right)\right|\le \epsilon$
或
$sign\left(\widehat{{\varphi }_c}(k,i)\right)\ne sign\left(\widehat{{\varphi }_c}(k,1)\right)$
则
$\widehat{{\varphi }_c}(k,i)=\widehat{{\varphi }_c}(k,1)$

算法重置机制的引入是为了使PPD估计算法具有更强的对时变参数的跟踪能力。