健壮的优化算法

软件开始强劲的标称模型调优过程调优。然后,软件迭代执行以下步骤:

这一进程终止时,分析步骤是无法找到一个参数组合收益率显著性能指标比过去获得的价值优化的迭代步骤。性能指标是软约束值的加权组合fSoft和硬约束值gHard。(见解释数值优化结果为更多的信息。)

显示结果

每次迭代的结果是,这一过程,算法返回一个值为每个范围fSoft和gHard。最低的是最好的实现值,迭代优化控制器参数扩展模型中的所有模型集。最大的价值是最糟糕的软件可以找到的不确定性范围,使用该设计(组调controller-parameter值)。这个范围是反映在默认显示在命令行上或在控制系统调谐器的优化报告。例如,下面是一个典型的报告不确定系统的鲁棒优化只使用软约束。

硬软:[0.906,18.3]:[无穷,无穷],迭代= 106软:[1.02,3.77],硬:负无穷,无穷,迭代= 55软:[1.25,1.85],硬:负无穷,无穷,迭代= 67软:[1.26,1.26],硬:负无穷,无穷,迭代= 24最后:软= 1.26,=无穷,迭代= 252

每个前四行对应于一个迭代的健壮的优化过程。在第一个迭代,标称系统的软目标感到满意(fSoft < 1)。这对整个设计并不健壮的不确定性范围,如图所示,最坏的fSoft = 18.3。说最坏的模型扩展模型,该算法找到一个新的设计fSoft = 1.02。测试设计的不确定性范围内产生一个坏的情况下fSoft = 3.77。随着每次迭代,模型的性能差距设置用于调优和缩小最糟糕的表现。在最后的迭代,最坏性能与多模型匹配性能。多模型值通常增加算法的曲调控制器与一组更大的模型,这样健壮fSoft和gHard值通常大于标称值。systune返回最后一个值作为输出参数。

健壮的调优与随机启动

当你使用systuneOptions设置RandomStart > 0,调优软件执行名义从每个随机起始点的调优。然后执行每个名义上的稳健优化过程设计,从最好的设计。任何特定的“robustification”设计是流产的最小值fSoft(对健壮的性能下界)变得远高于健壮的性能取得了迄今为止最好的。

默认显示包括fSoft和gHard所有的名义值设计和每个robust-tuning迭代的结果。健壮的软件选择最好的结果优化随机从开始设计。

验证

robust-tuning算法找到局部最优设计,满足您的设计要求。然而,确定最坏的对于一个给定的设计参数组合是一个艰难的过程。虽然它很少发生在实践中,该算法有可能错过最坏的参数组合。因此,独立确认的鲁棒性,比如使用μ分析、建议。