كنترل تطبيقي مدل پيش بين با محدوديت لياپانوف براي سيستم آشوبناك يكپارچه نامقيد با عدم قطعيت پارامتري

Lyapunov-based adaptive model predictive control for unconstrained Unified chaotic systems with parametric uncertainties

در اين مقاله، يك كنترل مدل پيش‌بين(MPC) تطبيقي مبتني بر لياپانوف براي پايدار كردن سيستم‌ آشوبناك يكپارچه بدون قيد با عدم قطعيت‌هاي پارامتري پيشنهاد شده است. در طراحي MPC پيشنهادي، با پارامترهاي نا معلوم به صورت برخط، همزمان با يك قانون به روز رساني تطبيقي تخمين زده مي‌شوند و تضمين مي‌شود كه پارامترهاي تخمين زده شده، كراندار هستند. يك محدوديت مبتني بر لياپانوف در MPC تطبيقي براي حصول اطمينان از پايداري سيستم حلقه بسته به كار گرفته شده است. محدوديت هاي سخت روي متغيرها را حذف كرده و محدوديت نرم در تابع هزينه قرار گرفته است كه باعث مي شود بار محاسباتي MPC، كاهش يابد. هم نتايج تئوري و هم مثال‌ عددي نشان مي‌دهند كه با MPC تطبيقي پيشنهادي، ضمن كراندار بودن پارامتر تخمين زده تطبيقي، حالت‌هاي سيستم حلقه بسته پايدار مي شود.

In this study, an adaptive model predictive control is proposed for unified chaotic systems with constant parametric uncertainties. the control objective is to stabilize system states. parametric uncertainties are estimated online by adaptive estimated parameters with a simple adaptive updating law, such that an estimated system can be constructed and used to predict future states. MPC is then designed with Lyapunov-based constraint, such that stability of the closed-loop system can be guaranteed, and computational burden of terminal penalties is reduced. Both theoretical proofs and simulation results demonstrate that, with the proposed adaptive MPC, states of the closed-loop system are stabilized asymptotically, and the estimated parameters are bounded.