徐志成,陶国正,王树青

(1.常州机电职业技术学院 电气工程学院,常州 213164) (2.浙江大学工业控制技术国家重点实验室 先进控制研究所,杭州 310027)

生产实际过程中非线性系统的数学模型通常难以预测,在不需要精确的非线性系统数学模型情况下，预测控制研究显得很有必要[1-3]．对于非线性系统的预测控制,采用线性化模型或分层递阶优化方法将非线性问题转化为线性问题是目前常用的一种方式[4-5],该处理对弱非线性系统是合适的,但对一些强非线性过程,如姿态控制、化学过程控制等,并不总能获得满意效果,尤其当工作在操作点附近大范围内以及操作点摄动时,甚至连稳定性也难以保证．文献[6-7]中直接用Hammerstein模型、Volterra模型等模型作为预测模型,它们能描述许多化工设备或过程的非线性特性,如蒸馏塔、热交换器等,并且模型结构简单,方便数学处理,但只适用于工业环境中的一些特定过程[4,8-9]．

支持向量机(support vector machine,SVM)方法建立在统计学习理论基础上,其利用结构风险最小原理和VC维理论解决了优化问题中的非线性、小样本、局部极小等问题[9-11]．利用SVM方法的优点构建最小二乘支持向量机(least square-support vector machine, LS-SVM),作为非线性系统建模的有力工具,可以以任意精度逼近非线性系统[12-13]．

菌群优化(bacterial swarm foraging for optimization,BSFO)[14-15]算法作为一种新型优化方法,可进行多变量随机迭代问题求解,种群内每个细菌个体的状态表示待优化问题的一个解,个体根据自身位置和其他细菌传递过来的信息不断更新其自身状……