[发明专利]一种智能传感器网络拥塞自适应模型预测控制方法

权利要求书

1.一种智能传感器网络拥塞自适应模型预测控制方法，其特征在于，包括以下步骤：

建立小微智能传感器网络拥塞系统模型；

利用梯度下降法设置所述小微智能传感器网络拥塞系统模型的参数自适应更新律，使所述参数根据小微智能传感器网络拥塞系统的运行情况实时更新；

根据自适应更新的参数建立所述小微智能传感器网络拥塞系统模型的模型预测控制器，通过所述模型预测控制器使小微智能传感器网络拥塞系统快速调节稳定在期望的队列长度；

利用梯度下降法设置所述小微智能传感器网络拥塞系统模型的参数自适应更新律，使所述参数根据小微智能传感器网络拥塞系统的运行情况实时更新，具体包括：

将小微智能传感器网络拥塞系统模型进行修改得到：

x(k+1)＝ΘX(k)

上式中，X(k)＝[x(k)^T,u(k)]^T，Θ为系统的参数矩阵，为参数Θ估计值，A_d(k)为离散化后系统的系数矩阵，为A_d(k)的估计值，B_d(k)为离散化后系统的控制输入系数矩阵，为B_d(k)的估计值，X(k)为重新定义的扩张状态，u(k)为离散系统的控制输入；

将上式中的两个式子相减得到：

其中，为参数矩阵的估计误差，为状态的估计误差，x为状态，为状态的估计值；

估计误差的成本函数J为：

采用梯度下降法对所述成本函数最小化，得到的最小化成本函数为：

其中，λ为自适应更新律增益；

根据自适应更新的参数建立所述小微智能传感器网络拥塞系统模型的模型预测控制器，通过所述模型预测控制器使小微智能传感器网络拥塞系统快速调节稳定在期望的队列长度，具体包括：

S31、设定小微智能传感器网络拥塞系统模型的模型预测控制器的预测方程；

所述预测方程为：

Y(k)＝Fx(k)+Φu(k)

上式中，u(k)＝[u₁(k),u₁(k+1),…,u₁(k+N_c)]^T,Y(k)＝[y(k),y(k+1),…,y(k+N_p)]^T；F为预测方程的系数矩阵，C为小微智能传感器网络拥塞系统模型的线性化模型的系数矩阵，_Np为预测时域；Φ为预测方程的系数矩阵，_Nc为控制时域；u(k)为控制时域下的控制输入序列，u₁(k)为在离散k时刻下的控制输入，u₁(k+1)为在k+1时刻下的控制输入，u₁(k+N_c)为在k+_Nc时刻下的控制输入；Y(k)为在预测时域下的预测输出序列，y(k)为在k时刻下的预测输出，y(k+1)为在k+1时刻下的预测输出，y(k+N_p)为在时间k+N_p时刻下的预测输出；x(k)为k时刻的状态；

S32、将最优控制量问题转换为最小性能指标函数；

所述最小性能指标函数为：

上式中，R为预测控制输入的加权因子，其值越大控制动作变化越小，Q为预测输出误差的加权因子，其值越大，输出越接近期望输出；u₁(k+j)在k+j时刻的控制输入，y_d(k+i)为在k+j时刻的期望输出，u_d(k+j)为在k+j时刻的期望输入；

S33、通过所述最小性能指标函数对所述预测方程进行求解，得到最优控制量；

所述最优控制量u(k)为：

u(k)＝[1,0,0]J(k)

上式中，J(k)为最小性能指标函数得到的最优控制输入序列；

S34、根据所述最优控制量设置模型预测控制器的参数，从而使小微智能传感器网络拥塞系统快速调节稳定在期望的队列长度。