Functional Adaptive Control: An Intelligent Systems Approach

زمینه کنترل هوشمند اخیراً به عنوان پاسخی به چالش کنترل سیستم‌های غیرخطی بسیار پیچیده و نامطمئن ظاهر شده است. این تلاش می‌کند تا به کنترل‌کننده ویژگی‌های کلیدی سازگاری، یادگیری و استقلال را بدهد. این زمینه هنوز نابالغ است و دامنه وسیعی برای توسعه روش‌های جدید وجود دارد که ویژگی‌های کلیدی سیستم‌های هوشمند را افزایش داده و عملکرد را در مواجهه با شرایط پیچیده یا نامطمئن فزاینده بهبود می‌بخشد. کار گزارش شده در این کتاب نشان دهنده گامی در این مسیر است. تعدادی از طرح‌های کنترل تطبیقی ​​مبتنی بر شبکه عصبی اصلی برای برخورد با گیاهانی معرفی شده‌اند که با توابع ناشناخته، غیرخطی بودن، رفتار چندوجهی، تصادفی و اختلالات مشخص می‌شوند. طرح‌های پیشنهادی با افزایش توانایی کنترل‌کننده برای سازگاری، تثبیت، مدیریت عدم قطعیت و یادگیری، به سطوح بالایی از عملکرد دست می‌یابند. هر دو گیاه قطعی و تصادفی در نظر گرفته می شوند. در حالت قطعی، اجرا، ثبات و همگرایی از دیدگاه نظریه لیاپانوف مورد بررسی قرار می گیرد. در مقایسه با سایر طرح‌ها، روش‌های ارائه‌شده منجر به استفاده کارآمدتر از ذخیره‌سازی محاسباتی و سازگاری بهبود یافته برای سیستم‌های زمان پیوسته، و نتایج پایداری جهانی بیشتر با دانش قبلی کمتر در سیستم‌های زمان گسسته می‌شود.

The field of intelligent control has recently emerged as a response to the challenge of controlling highly complex and uncertain nonlinear systems. It attempts to endow the controller with the key properties of adaptation, learn­ ing and autonomy. The field is still immature and there exists a wide scope for the development of new methods that enhance the key properties of in­ telligent systems and improve the performance in the face of increasingly complex or uncertain conditions. The work reported in this book represents a step in this direction. A num­ ber of original neural network-based adaptive control designs are introduced for dealing with plants characterized by unknown functions, nonlinearity, multimodal behaviour, randomness and disturbances. The proposed schemes achieve high levels of performance by enhancing the controller's capability for adaptation, stabilization, management of uncertainty, and learning. Both deterministic and stochastic plants are considered. In the deterministic case, implementation, stability and convergence is­ sues are addressed from the perspective of Lyapunov theory. When compared with other schemes, the methods presented lead to more efficient use of com­ putational storage and improved adaptation for continuous-time systems, and more global stability results with less prior knowledge in discrete-time sys­ tems.