复杂不确定对象的免疫多模型控制方法研究

在具有大范围不确定性复杂对象的多模型控制系统设计中，由于需要采用较大的模型集，使得模型集的优化设计以及匹配模型的快速调用存在困难。为了解决这个问题，课题借鉴免疫系统原理建立一种新的多模型控制方法。主要的研究内容是：为了有效压缩模型集规模，借鉴抗体库的构成原理，提出一种基于独特型网络的大范围不确定空间的模型集映射方式；为了从动态过程的采样数据中抽取独特型网络模型集，实现模型集的自动优化，借鉴抗体通过彼此间的抑制作用实现网络结构自组织的原理，开发独特型网络模型集的训练算法；为了减少计算负担，提高算法实时性，实现大模型集的快速调用，模拟免疫反应原理，提出独特型网络模型集的快速调用算法；在上述基础上，形成一种新的免疫多模型控制方法，并以稀土萃取过程控制为例检验其有效性。

多模型方法处理复杂不确定对象的思路是先对不确定空间建立一系列模型，然后通过模型在线匹配寻找合适模型。如果相应的模型集规模小，结构简单，通过模型集并行运算就可以很好地适应系统模式的变化。然而，如果不确定空间较大，为了提高建模精度，模型集规模也将增大。此时如果仍然采用传统的并行运算方式，将极大地增大计算负荷，影响系统的实时性。因此，如何建立模型集以及怎样使用模型集以提高系统运行效率就成为必须考虑的问题。缩小在线模型集是提高计算速度的有效方法，不过传统变结构多模型方法要求清楚各模型间的相互转移规律。当系统模型集较大，且模型间转移规律不甚清楚的时候，如何有效地组织模型集就成了较大的问题。生物免疫系统运用大量不同种类免疫细胞识别并清除具有巨大不确定性的外界入侵抗原，其作用机理类似于大模型集条件下的多模型方法。本课题借鉴生物免疫系统的抗体识别与免疫反应机制，对模型间不存在明显的概率转移关系、模型集合较大的复杂不确定对象的多模型系统设计方法进行了研究，提出了一种基于免疫进化的启发式模型集设计方法。该方法能够实现较大模型集的模型快速在线调用，为多模型方法在具有较大不确定性的复杂系统控制领域的应用提供了一种新的思路。课题研究内容包含借鉴抗体结构优化研究模型集的训练方法，借鉴B细胞生成研究模型集的建立方式，借鉴免疫反应研究模型集的调用方式，以及相关算法的工程应用四个方面。