计算有效的数据驱动的高阶最优迭代学习控制

基于非提升迭代动态线性化公式，针对一类非线性重复离散时间系统，提出了一种新的数据驱动的高阶最优迭代学习控制（DDHOILC）。 通过使用历史数据，可以使用先前迭代中的其他跟踪错误和控制输入来增强在线控制性能。 从在线数据中，利用当前迭代中先前时间的其他控制输入来改善瞬态响应。 所提出的方法的数据驱动特性意味着除I / O数据外没有利用任何模型信息。 由于原始模型的非提升线性公式，在所提出的DDHOILC方法中避免了矩阵逆运算，从而降低了计算复杂性。 严格证明了渐近收敛。 此外，通过三个性能指标对收敛性进行了分析和评估。 通过精心选择高阶因子，就收敛性能而言，高阶学习控制律优于低阶学习控制律。 仿真结果验证了该方法的有效性。