MIMO系统迭代学习控制算法仿真源码

资 源 简 介

该项目实现了一个针对多输入多输出（MIMO）线性离散系统的迭代学习控制（ILC）仿真演示。项目核心在于设计并应用一种开放环或者闭环的PD型迭代学习更新律，旨在解决重复性控制任务中的高精度轨迹跟踪问题。代码首先定义了一个具有双输入和双输出的离散状态空间模型，并设定了特定的时变期望输出轨迹。在迭代过程中，算法利用上一次迭代产生的输出误差和（或）当前周期的误差信息来修正下一次的控制输入信号。程序的主循环包含了系统动态演化、误差计算、控制量更新以及性能指标记录等关键步骤。通过设置适当的学习增益矩阵，确保了闭环系统的稳定性和误差的沿迭代轴方向的单调收敛。项目不仅仅是一个简单的函数调用，而是完整展示了ILC从初始化到收敛的全过程。最终，代码将生成直观的图表，清晰地对比不同迭代次数下的系统实际输出与期望输出，并绘制全过程的误差收敛趋势图，验证了算法在MIMO系统下的有效性。代码结构清晰，注释详尽，方便初学者理解ILC原理或研究人员进行二次开发，如修改系统矩阵参数、调整学习增益或替换为更复杂的D型/PID型学习律。

详 情 说 明

MIMO系统迭代学习控制 (ILC) MATLAB仿真

项目介绍

本项目是一个基于MATLAB的仿真程序，专门用于演示针对多输入多输出（MIMO）线性离散系统的迭代学习控制（Iterative Learning Control, ILC）算法。该项目旨在展示如何通过重复的控制尝试，利用历史误差信息不断修正控制输入，从而使系统输出能够高精度地跟踪期望轨迹。

该代码构建了一个具有2个输入和2个输出的线性离散状态空间模型，并采用PD型（比例-微分）迭代学习律，实现了对正弦和余弦时变信号的无静差跟踪。通过直观的图表，项目展示了随着迭代次数增加，系统误差单调收敛的过程。

功能特性

• MIMO系统建模：建立了一个3阶状态、2输入、2输出的离散时间线性状态空间模型，且系统矩阵经过设计保证了开环稳定性。
• PD型迭代学习控制：实现了基于误差及其差分的PD型更新律，利用下一时刻的误差信息（超前校正）来计算当前的控制修正量。
• 自动增益设计：基于系统耦合矩阵（CB）的伪逆来计算最优学习增益矩阵，以确保收敛速度。
• 复杂轨迹跟踪：设定了非恒定的期望轨迹（输出1跟踪正弦波，输出2跟踪余弦波），验证算法的动态跟踪能力。
• 收敛性分析与可视化：自动计算并记录每次迭代的误差范数，并在仿真结束后绘制误差收敛曲线、多轮迭代的输出跟踪对比图以及控制输入信号的演变图。

使用方法

1. 确保计算机上已安装 MATLAB 软件（建议版本 R2016b 及以上）。
2. 将项目代码保存为 main.m 文件。
3. 在 MATLAB 命令行窗口或编辑器中直接运行 main 函数。
4. 程序将自动执行50次迭代仿真，并在运行结束后弹出4个图形窗口展示结果。

系统要求

• MATLAB (基础版即可，无需特殊工具箱，代码仅使用基础矩阵运算)

代码实现逻辑详解

代码完全包含在 main.m 文件中，其内部逻辑流程严格按照以下步骤执行：

1. 系统参数初始化

代码首先定义了离散系统的核心矩阵：

• 状态矩阵 A (3x3)：特征值位于单位圆内，确保系统本身是稳定的。
• 输入矩阵 B (3x2) 和 输出矩阵 C (2x3)：构成了2输入2输出的系统结构。
• 初始状态 x0：初始化为零向量。

2. 仿真参数与期望轨迹设置

• 设定单次运行的时间步长 N=100。
• 设定最大迭代次数 MaxIter=50。
• 构造期望输出矩阵 Yd：第一通道为正弦波，第二通道为余弦波，作为系统需要学习的参考目标。
• 相对阶检查：计算 $CB$ 矩阵的秩，以验证系统输入输出之间的直接耦合关系，确保学习律设计的合理性。

3. ILC 控制器参数设计

采用PD型学习律，其增益设计策略如下：

• 学习率因子 Lambda：设定为 0.6，用于调节整体收敛速度。
• 比例增益 Kp：计算 $CB$ 的伪逆并乘以学习率，近似逆模型以解耦系统。
• 微分增益 Kd：设定为 $Kp$ 的 10%，用于增加对误差变化率的响应。
• 此类设计针对相对阶为1的系统，利用 $e(k+1)$ 进行控制量更新。

4. 迭代主循环

程序执行的核心部分，包含50次循环，每次循环代表一次完整的实验过程：

1. 系统演化：

* 重置状态 $x$ 到初始值。 * 在时域 $k=1$ 到 $N$ 能够使用当前的控制律 $u_current$ 驱动系统。 * 记录全过程的实际输出 $y$。

1. 误差计算：

* 计算期望轨迹 $Yd$ 与实际输出 $y$ 之间的差值。 * 计算误差矩阵的 Frobenius 范数，作为当前迭代的性能指标并存入 Error_Norm_History。

1. 数据记录：

* 判断当前迭代次数是否为预设的关键节点（第1、10、20、50次）。如果是，则保存当前的输出曲线和控制输入曲线，用于后续绘图对比。

1. 控制律更新 (Update Law)：

* 遍历时间步 $k=1$ 到 $N-1$。 * 取样误差：提取下一时刻误差 $e(k+1)$ 和当前时刻误差 $e(k)$。这里选取 $k+1$ 时刻误差是因为对于该离散系统，$u(k)$ 能够直接影响 $y(k+1)$。 * 计算修正量：根据公式 $Delta u = Kp cdot e(k+1) + Kd cdot (e(k+1) - e(k))$ 计算增量。 * 叠加更新：将修正量叠加到当前控制律上，生成下一次迭代的控制律 $u_next$。

5. 结果可视化

代码最后部分负责生成图表：

• 图1：绘制误差范数的对数收敛曲线，展示学习过程的收敛速度。
• 图2 & 图3：分别展示输出通道1和通道2在不同迭代次数下的跟踪效果，清晰可见输出曲线如何逐渐逼近期望轨迹。
• 图4：展示控制输入信号随迭代次数的演变，反映控制器学习到的输入波形。

关键算法说明

PD型迭代学习更新律 代码中实现的核心算法公式如下： $u_{i+1}(k) = u_i(k) + K_p e_i(k+1) + K_d [e_i(k+1) - e_i(k)]$

• 这里 $i$ 表示迭代次数，$k$ 表示时间步。
• 该算法利用了离散系统的因果特性，通过引入 $e(k+1)$（通常称为超前学习）来补偿系统的相对阶滞后。
• $K_p$ 项负责消除主要的跟踪误差，$K_d$ 项（差分项）提供类似于微分控制的作用，有助于抑制振荡并改善瞬态响应。
• $CB$ 矩阵的伪逆用于处理MIMO系统的耦合问题，使得两个输入能够独立地解耦控制两个输出。