基于神经网络的未知非线性系统有限时间最优控制方法

本文主要探讨了一种基于神经网络的有限时间最优控制方法，针对一类未知非线性系统的控制问题。该研究发表在2014年的《SoftComput》期刊上，具有显著的学术价值，其DOI为10.1007/s00500-013-1170-z。 论文的创新之处在于提出了一种结合自适应动态编程（ADP）算法的新型策略，这种方法利用单隐藏层前馈神经网络（SLFN）与极端学习机（ELM）技术来构建系统动力学的数据驱动辨识器。通过这种方式，即使对系统内部结构不完全了解，也能根据输入-输出数据有效地估计和控制系统的动态行为。 在该方法中，两个SLFN分别用于ADP过程中的性能指标函数和最优控制律的逼近。这两个SLFN的使用有助于简化迭代过程，并确保每个迭代步骤都能得到更精确的优化结果。作者采用了一种迭代的方式，通过不断的训练和优化，SLFN能够逐步逼近系统的实际性能，从而实现有限时间内的最优控制。 此外，论文还强调了在实际应用中的有效性，通过一个具体的仿真例子来展示这种基于神经网络的控制策略的有效性和优越性。该示例可能包括非线性系统的模型、控制目标设定、SLFN的训练过程、以及控制结果对比分析，以证明新方法在提升控制效率和系统稳定性方面的优势。 关键词包括"自适应动态编程", "神经网络", "有限时间最优控制", "未知非线性系统", 和"极端学习机"，这些关键词揭示了研究的核心内容和技术手段。 这篇研究论文提供了一个新颖的解决方案，将神经网络技术与ADP融合，适用于处理复杂的未知非线性系统控制问题，对于理论研究和实际工程应用都有很高的实用价值。通过本文的研究，可以进一步推动非线性系统控制领域的理论发展和技术进步。