1、隨著時(shí)代的進(jìn)步，科技水平有了迅速提升，工業(yè)生產(chǎn)過(guò)程更加復(fù)雜化，對(duì)控制器的控制精度也提出了更高的要求。在如此嚴(yán)峻的工業(yè)環(huán)境下，PID控制等傳統(tǒng)方法的控制能力稍顯薄弱，而預(yù)測(cè)控制表現(xiàn)出強(qiáng)大的工業(yè)適應(yīng)性，并逐漸確立其在工業(yè)控制中的地位。預(yù)測(cè)控制可根據(jù)當(dāng)前情況動(dòng)態(tài)修改預(yù)測(cè)模型，尤其在控制對(duì)象具有多輸入多輸出、非線性、時(shí)變和大純滯后等特點(diǎn)時(shí)，控制效果與控制精度的優(yōu)勢(shì)表現(xiàn)更為突出。本文以非線性系統(tǒng)作為預(yù)測(cè)控制的研究對(duì)象，對(duì)其相關(guān)背景、結(jié)構(gòu)理論及工業(yè)

2、應(yīng)用現(xiàn)狀等進(jìn)行闡述與分析。
　　本文首先對(duì)預(yù)測(cè)控制的研究背景與現(xiàn)狀做出分析，介紹其基本原理、穩(wěn)定性和魯棒性等性能，列舉了預(yù)測(cè)模型的幾種典型的建模方法。當(dāng)被控對(duì)象為非線性系統(tǒng)時(shí)，重點(diǎn)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制預(yù)測(cè)模型精度不高和滾動(dòng)優(yōu)化求解困難提出了相關(guān)的改進(jìn)方法。具體內(nèi)容如下：
　　依據(jù)BP神經(jīng)網(wǎng)絡(luò)在強(qiáng)非線性時(shí)可以逼近任何對(duì)象的能力將其選為模型辨識(shí)方法。針對(duì)其易陷入局部極小值、收斂速度慢等缺點(diǎn)，提出一種以思維進(jìn)化算法和LM算法相結(jié)合的

3、LM-MEA優(yōu)化算法對(duì)其權(quán)值和閾值進(jìn)行優(yōu)化。LM-MEA算法利用了思維進(jìn)化算法中模擬人類思維過(guò)程的思路和在趨同、異化操作方法下表現(xiàn)出來(lái)的求解速度快、計(jì)算精度高的優(yōu)點(diǎn)對(duì)LM算法過(guò)于依賴初值的缺點(diǎn)進(jìn)行了改進(jìn)。通過(guò)標(biāo)準(zhǔn)函數(shù)測(cè)試表明LM-MEA算法具有較好的尋優(yōu)性能。對(duì)非線性對(duì)象進(jìn)行建模預(yù)測(cè)與仿真實(shí)驗(yàn)，證明基于LM-MEA針對(duì)滾動(dòng)優(yōu)化環(huán)節(jié)，將 LM算法與粒子群算法相結(jié)合的提出一種LM-PSO優(yōu)化算法。LM-PSO算法利用了PSO算法的全局收斂速

4、度快和LM算法在靠近局部極小值時(shí)搜索精度高的優(yōu)點(diǎn)，克服了LM算法過(guò)于依賴初值和 PSO算法容易陷入局部極值的缺點(diǎn)。同樣將該算法經(jīng)過(guò)測(cè)試函數(shù)驗(yàn)證，證明具有良好的尋優(yōu)性能。選取非線性系統(tǒng)作為研究對(duì)象，以BP神經(jīng)網(wǎng)絡(luò)作為模型辨識(shí)方法，將 LM-PSO算法用于求解滾動(dòng)優(yōu)化環(huán)節(jié)中目標(biāo)函數(shù)的最優(yōu)控制量，并與其他算法相對(duì)比。通過(guò)仿真實(shí)驗(yàn)證明LM-PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制方法提升了綜合控制性能。
　　最后，將以LM-MEA-BP神經(jīng)網(wǎng)絡(luò)為預(yù)測(cè)