一种基于计算图的模型预测控制实时优化并行计算方法技术

本发明专利技术涉及一种基于计算图的模型预测控制实时优化并行计算方法，包括以下步骤：搭建系统状态量的预测模型，并构建系统的目标函数；建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；采用反向传播的方式求解计算梯度，利用梯度下降法优化系统的控制量，实现系统的实时优化控制。与现有技术相比，本发明专利技术大幅提升了运算效率，保证模型预测控制器的实时性，拓展了模型预测控制的应用领域。

【技术实现步骤摘要】
一种基于计算图的模型预测控制实时优化并行计算方法
本专利技术涉及模型预测控制的实时优化
，尤其是涉及一种基于计算图的模型预测控制实时优化并行计算方法。
技术介绍
由于模型预测控制具有滚动优化、反馈校正、显式考虑系统约束等特点，因此越来越多的应用领域特别是快速动态系统(例如电力电子、机电工程、汽车电子等)迫切需要模型预测控制来处理其复杂约束优化问题和提高控制性能。然而模型预测控制的当前控制动作是在每一个采样时刻通过模型求解一个有限时域开环最优控制问题而获得，涉及很大的计算量和计算时间，因此，模型预测控制的在线优化计算量大是制约其应用的主要瓶颈。近年来，预测控制的快速计算研究取得了许多有价值的成果。在控制策略方面，通过控制器结构优化设计简化预测控制求解过程，有效降低计算复杂度，但现有方法多数是时域内串行计算策略，提速空间有限；在优化问题求解方面，现有方法大多采用标准或者改进规划算法进行迭代计算求解，但是直接求解非线性优化问题涉及大量复杂的梯度计算和矩阵求逆运算，计算量很大，同时一般优化迭代逻辑较复杂，并且多数属于串行迭代算法，这一特点决定了它们并不具备多大的并行加速空间,只能是尽可能的加快每次迭代的速度,这一点很大程度上要靠处理器的速度提升，不利于硬件的并行实现。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于计算图的模型预测控制实时优化并行计算方法。本专利技术的目的可以通过以下技术方案来实现：一种基于计算图的模型预测控制实时优化并行计算方法，包括以下步骤：S1：搭建系统状态量的预测模型，并构建系统的目标函数；S2：建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；S3：采用反向传播的方式求解计算梯度，利用梯度下降法优化系统的控制量，实现系统的实时优化控制。优选地，所述的步骤S2的模型预测控制并行计算架构中，用当前步序中的预测模型和目标函数的求解均完成的标志作为下一步序预测计算开始的标志，实现预测模型、目标函数的并行计算。优选地，所述的预测模型与目标函数的递推关系为：其中，J为目标函数，f为系统的预测模型，xk+i|k为第k时刻第i步的系统状态量，uk+i|k为k时刻第i步的系统控制量，优选地，所述的步骤S4的具体步骤包括：S41：搭建多个计算节点，每个计算节点设置一个存储单元，所述的存储单元内存储相关计算参数；S42：根据多个计算节点中的计算参数，基于反向传播获取目标函数对输入量的梯度；S43：利用梯度下降法优化系统的控制量，获取最优控制序列，实现系统的并行预测控制。优选地，所述步骤S43的具体包括：利用梯度下降法优化控制量：uk|k，uk+1|k…uk+N-1|k，其中，uk|k，uk+1|k…uk+N-1|k分别为第k时刻内第0、1…N-1步的控制量，当满足优化条件其中之一时，完成优化过程，获取最优控制序列Uk*：其中，分别为第k时刻内第0、1…N-1步的控制量期望值，将得到的最优控制序列中的第一个元素作为第k时刻的控制量，且将第一个元素之后的元素后添加一个零元素构成的新控制序列作为第k+1时刻的预测控制输入矩阵初始值，即并结束第k时刻的预测、优化过程，重复以上步骤，完成第k+1时刻的预测、优化过程。优选地，所述的最优控制序列的计算公式为：其中，为第k时刻内第i步的控制量期望值，为上一时刻的最优控制量，Δt为控制步长。优选地，所述的优化条件为当前迭代的步长的目标函数与上一步的目标函数的差值小于设定值或达到限定优化次数或目标函数变化量为0。优选地，所述的系统为车辆模型，所述的预测模型为车辆路径与速度跟踪模型。优选地，所述的车辆路径与速度跟踪模型的控制目标是：快速准确跟踪车辆纵向速度vx和横向位移Y，设控制时域与预测时域均为N，目标函数为：其中，xi为当前时刻第i步的状态量，ui为当前时刻第i步的系统控制量，Q为正定加权矩阵，P为正定终端惩罚矩阵，R为正定控制量惩罚矩阵。优选地，所述的目标函数进行计算时分解为：Ji＝h(yi，Ji-1)＝Ji-1+(yi-yr)TQ(yi-yr)＝(xji-xjr)TQ(xji-xjr)，j＝1，6，i＝1，2，…，N其中，g、h分别为分解计算函数。与现有技术相比，本专利技术基于多指令、多数据的并行计算思想提出了采用前向求解与目标函数求解并行计算的架构，并考虑并行任务数据的耦合性，结合触发式并行计算方式，保证数据计算数的顺序性，最终达到缩短计算时间的目的。同时，该架构基于计算图的思想，将一次正向传播求解预测状态的过程作为一个节点，并且该节点包含输入量、输出量以及输入量对输出量的偏导数。通过反向传播的方式，将节点中保存的输入与输出的偏导数依次取出，并将它们相乘可计算梯度。一般的，模型预测控制中的控制序列矩阵维数要高于目标函数矩阵的维数，因此，相对于前向计算，反向计算可以减少了运算次数，进一步大幅提升了运算效率，保证模型预测控制器的实时性，拓展了模型预测控制的应用领域，具有实用性和应用价值。附图说明图1为本专利技术的流程图；图2为本专利技术的预测系统未来状态递推过程的计算模型图；图3为本专利技术的并行计算架构图；图4为前向传播的计算方式示意图；图5为反向传播的计算方式示意图；图6为梯度下降法部分计算图；图7为参考速度曲线图；图8为路径跟踪曲线图；图9为速度跟踪曲线图；图10为位移跟踪误差曲线图；图11为速度跟踪误差曲线图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本专利技术并不意在对其适用物或其用途进行限定，且本专利技术并不限定于以下的实施方式。实施例一种基于计算图的模型预测控制实时优化并行计算方法，如图1所示，包括以下步骤：S1：搭建系统状态量的预测模型，并构建系统的目标函数。本实施例中，考虑如下控制系统：系统离散动力学方程为xk+1＝f(xk，uk)；系统输出量等于系统状态量，即y＝x；系统期望输出为零矩阵，即yr＝0；控制目标是预测误差的平方和与控制序列变化率的平方和同时达到最小；控制时域与预测时域相等，均为N。依据以上系统，结合图模型思想，可以得到如下预测系统未来状态递推过程的计算模型如图2所示，其中xk|k为k时刻的状态量，uk|k为k时刻的输入量，f为递推函数(预测模型)，J为待优化的目标函数，P为终端的加权矩阵，Q为状态加权矩阵R为控制量的加权矩阵。预测模型与目标函数的递推关系为：其中，J为目标函数，f为系统的预测模型，xk+i|k为本文档来自技高网...

【技术保护点】
1.一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，包括以下步骤：/nS1：搭建系统状态量的预测模型，并构建系统的目标函数；/nS2：建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；/nS3：采用反向传播的方式求解计算梯度，利用梯度下降法优化系统的控制量，实现系统的实时优化控制。/n

【技术特征摘要】
1.一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，包括以下步骤：
S1：搭建系统状态量的预测模型，并构建系统的目标函数；
S2：建立预测模型和目标函数的模型预测控制并行计算架构，所述的并行计算架构采用触发式并行计算方法同步计算预测模型和目标函数；
S3：采用反向传播的方式求解计算梯度，利用梯度下降法优化系统的控制量，实现系统的实时优化控制。


2.根据权利要求1所述的一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，所述的步骤S2的模型预测控制并行计算架构中，用当前步序中的预测模型和目标函数的求解均完成的标志作为下一步序预测计算开始的标志，实现预测模型、目标函数的并行计算。


3.根据权利要求1所述的一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，所述的预测模型与目标函数的递推关系为：



其中，J为目标函数，f为系统的预测模型，xk+i|k为第k时刻第i步的系统状态量，uk+i|k为k时刻第i步的系统控制量。


4.根据权利要求1所述的一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，所述的步骤S3的具体步骤包括：
S31：搭建多个计算节点，每个计算节点设置一个存储单元，所述的存储单元内存储相关计算参数；
S32：根据多个计算节点中的计算参数，基于反向传播获取目标函数对输入量的梯度；
S33：利用梯度下降法优化系统的控制量，获取最优控制序列，实现系统的并行预测控制。


5.根据权利要求1所述的一种基于计算图的模型预测控制实时优化并行计算方法，其特征在于，所述步骤S33的具体包括：
利用梯度下降法优化控制量：
uk|k，uk+1|k…uk+N-1|k，
其中，uk|k，uk+1|k…uk+N-1|k分别为第k时刻内第0、1…N-1步的控制量，
当满足优化条件其中之一时，完成优化过程，获取最优控制序列Uk*：



其中，分别...

【专利技术属性】
技术研发人员：陈虹，孟强，张琳，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31