Zeki kontrol, nöro-kontrol, optimal kontrol, dinamik sinir ağları, ikinci dereceden lineer olmayan dinamik optimizasyon, adjoint teorisi. Bu tez çalışmasında, zeki optimal kontrol sistem kavramı ve algoritmalarının geliştirilmesi ve optimal kontrol hesaplamalarının desteğindeki dinamik sinir ağları (DSA)'nın uygulaması sunulmuştur. Zeki kontrol, optimal kontrol teorisi gibi temeli sağlam bilimlerle ve yapay zeka (YZ) ve deneyimler gibi gelişmekte olan bilimlerle ilişkili geniş bir teknoloji alanını kapsar. Bu teknolojilerde, büyük bilgi alanını kullanarak yeni fikirler ortaya çıkar ve hesaplama yönünden etkili yazılım yapıları mümkün olur. Dinamik sistem kontrolüne yapay sinir ağları (YSA)'nın uygulaması, popüler ağ mimarilerinin dinamik olmayan tabiatları tarafından sınırlandırılmıştır. Güçlüklerin çoğu, büyük ağ ölçüsü, uzun eğitim zamanı gibi problemlerdir. Bu problemlerin üstesinden DSA ile gelinebilir. Bu tez çalışmasında, zeki optimal kontrol problemi, dinamik eşitlik sınırlamak bir lineer olmayan optimizasyon olarak ve DSA bir kontrol yörünge başlatma sistemi olarak düşünülmüştür. Direkt-azalan-eğrilik veya direkt-ikinci dereceden-azalan algoritma, optimal kontrol hesaplamaları için kullanılmıştır. Bu algoritma, literatürdeki Hamiltonian metotlanyla karşılaştırılmıştır. Bu algoritma, diğerlerinden konjuge noktalara göre daha gürbüz sonuçlar üretmiştir. Aynı zamanda, yan ürünler olarak yörünge boyunca zamanla-değişen optimal geri-besleme kazançları da üretilmektedir. Bu çalışmada, zeki optimal kontrol algoritması geliştirilmiştir. Sonuçlandırılan algoritma, DSA için bir otomatik eğitici olarak (kendi kendine öğrenme yapısı) işler ve az bir iterasyon sayısında optimal ileri-beslemeli (İB) kontrol yörüngeleri üretir. Bu yolda, optimal kontrol yörüngeleri DSA tarafından öğrenilir ve genelleştirilir. Hızlandırılmamış yörünge hesaplamaları, kapak genel geri-beslemek gerçek-zamanlı zeki optimal kontrol için geniş yollar açar. Yan-lineer dinamik bir sistem olarak düşünülen DSA'ın eğitiminde adjoint teorisi kullanılmıştır. Ağırlıkların güncellenmesi (parametre tanıma), tek boyutlu aramak en hızlı azalan gradyan yöntemi (EAGY), ölçeklenmiş konjuge gradyan yöntemi (ÖKGY), Davidon-Fletcher-Powell (DFP) ve Broyden-Fletcher-Goldfarb-Shanno (BFGS) yöntemleri ile yapılabilir. Bu dört metot, başardı bir şekilde DSA'na uygulanmıştır. Benzetim sonuçlan, lineer olmayan ikinci derece sistemler olan VDP ve CSTR'ın kontrol edilmesi için verilmiştir.
NEURO-OPTIMAL CONTROL Keywords: Intelligent control, neuro-control, optimal control, dynamic neural networks, second order nonlinear dynamic optimization, adjoint theory. In this dissertation, the improvement of intelligent optimal control algorithms and the application of dynamic neural networks (DNN) in support of optimal control calculations are presented. Intelligent control covers a wide range of technologies related to hard-sciences such as the optimal control theory and soft-sciences such as artificial intelligence (AI) and heuristics. Using the broad knowledge spectrum, hard and soft, in these technologies, new concepts emerge and computationally efficient software structures become feasible. The application of artificial neural networks (ANN) to dynamic system control has been constrained by the non-dynamic nature of popular network architectures. Many of the difficulties are large network sizes, long training times, etc. These problems can be overcome with DNN. In this dissertation, intelligent optimal control problem is considered as a nonlinear optimization with dynamic equality constraints, and DNN as a control trajectory priming system. Direct-descent-curvature or direct second order descent algorithm has been used for the optimal control computations. This algorithm is compared with the Hamiltonian methods in the literature. The algorithm has generated more robust solutions than the others with respect to conjugate points. The time varying optimal feedback gains are also generated along the trajectory as byproducts. In this study, intelligent optimal control algorithm has been developed. The resulting algorithm operates as an auto-trainer for DNN (a self-learning structure) and generates optimal feed-forward control trajectories in a significantly smaller number of iterations. In this way, optimal control trajectories are encapsulated and generalized by DNN. Speeding up trajectory calculations opens up avenues for real-time intelligent optimal control with virtual global feedback. The adjoint theory has been used in the training of DNN which is considered as a quasi-linear dynamic system. The updating of weights (identification of parameters) are based on steepest descent gradient (SDG), scaled conjugate gradient (SCG), Davidon-Fletcher-Powell (DFP) and Broyden-Fletcher-Goldfarb-Shanno (BFGS) methods with line search. All methods has been successfully applied to DNN. Simulation results are given for controlling VDP and CSTR which are nonlinear second order systems.
