Novel Approaches to Nonlinear Optimizing Control under Uncertainty

Das Ziel Dieses the Projekts ist De Untersuung von Neuen Formulierungen der Online Optimierung auf bewegten Horizonten in der Modelellbasierten Nichtlinearen Regelung.(Das Ziel Dieses ist in Untersuung von Neuen Formulierungen der Online Optimierung auf bewegten Horizonten in der modellbasierten Nichtlineline Regelung.Zwei komplementäre ansätze is verggt：Optimierung MIT Modifikator-Anpassung and mehrstufige随机编程。这句话的意思是：“我不知道该怎么做，但我不能这么做。改进者--安帕松是一个最优和最优问题的发现者，因此，我们不能接受L的建议，因为这是一个最优的系统。我们在zweischichtiges Verfahren vor，欢迎Aus einer Dynamischen Optimierung MIT Modifikator-Anpassung auf einer Elf einer langsamen Zeitskala imäu？Eren Kreis and modellbasierter Regelung(MPC)auf einer einer Zeitskala im inneren Kreis zum Kompensieren von Störungen and Eimacten der Nebenbedingungen besteht.这是一种随机最优的方法，并不适用于环境保护系统。他说：“这是一件很重要的事情。Erststufen-Variablen(die nächsten Stellgröump en)是一种新的技术支持和技术支持。Für jedes Szenario sind weitere Freiheitsgrading VerfüGBar(die Zukünftigen Stellgröüen)，die an die beobachtee Entwickump innerhalb der Szenario angepasst we den können(die sog.KompensationsVariablen)。最好的选择是最好的选择，最好的选择就是选择最好的珠宝。根据Unsicherheit Weiger konservativ公式，最坏的情况也是最优的，最坏的情况是Abweichung zwitchen modell and realem Verhalten angenoman wird。

Das Ziel dieses Projekts ist die Untersuchung von neuen Formulierungen der online Optimierung auf bewegten Horizonten in der modellbasierten nichtlinearen Regelung. Zwei komplementäre Ansätze werden verfolgt: Optimierung mit Modifikator-Anpassung und mehrstufige stochastische Programmierung. Beiden Ansätzen ist gemeinsam, dass keine Modellanpassung erfolgt. Bei der Modifikator-Anpassung werden die Kostenfunktion und die Nebenbedingungen des Optimierungsproblems in Abhängigkeit von den Messungen so korrigiert, dass die Lösung zum wahren Optimum für das reale System konvergiert. Wir schlagen ein zweischichtiges Verfahren vor, welches aus einer dynamischen Optimierung mit Modifikator- Anpassung auf einer langsamen Zeitskala im äußeren Kreis und modellbasierter Regelung (MPC) auf einer schnellen Zeitskala im inneren Kreis zum Kompensieren von Störungen und Einhalten der Nebenbedingungen besteht. Bei der mehrstufigen stochastischen Optimierung wird die Unsicherheit über die künftige Entwicklung des Systems durch eine Menge von Szenarios repräsentiert. Die Freiheitsgrade werden in zwei Mengen unterteilt: die sog. Erststufen- Variablen (die nächsten Stellgrößen) werden im Hinblick auf den Erwartungswert der Kostenfunktion über die Szenarios für die zukünftige Entwicklung optimiert. Für jedes Szenario sind weitere Freiheitsgrade verfügbar (die zukünftigen Stellgrößen), die an die beobachtete Entwicklung innerhalb der Szenarios angepasst werden können (die sog. Kompensationsvariablen). Die optimalen Werte der Erststufenvariablen werden für den Fall bestimmt, dass die Kompensationsvariablen die jeweils optimalen Werte annehmen. Mit beiden Ansätzen können modellbasierte optimierende Regelungsaufgaben unter Unsicherheit weniger konservativ formuliert werden als bei der worst-case Optimierung, bei der die größtmögliche Abweichung zwischen Modell und realem Verhalten angenommen wird..