100 Checking Data (Solid Line) and ANFIS Prediction (Dots) with RMS E= 0.4
AFMP C1 AFMPC 2 ĐC DC
T r N r ω u e
Hình 3.13: AFMPC cho động cơ điện một chiều đa mô hình
trị giới hạn dưới (lower bounds) của hàm chi phí. Từ đó sẽ quyết định nhánh nào của cây sẽ được phép tiếp tục tìm kiếm.
Hình 3.14: Sơ đồ minh họa Branch & Bound 3.4.4.2 Ưu điểm và nhược điểm của phương pháp B&B
a. Ưu điểm
Phương pháp tối ưu B&B áp dụng cho điều khiển dự báo có một số ưu điểm sau. Lời giải tối ưu luôn tìm được (bản chất của phương pháp B&B) [19]. Đây là ưu điểm quan trọng của thuật toán, nó đảm bảo cho bộ điều khiển luôn tìm được lời giải tối ưu trong không gian rời rạc của tín hiệu điều khiển mà không phải giả thiết về dạng của phiếm hàm mục tiêu.
Vấn đề ràng buộc (constrains) làm cho một số phương pháp giải tối ưu thêm phức
tạp, nhất là đối với bài toán tối ưu phi tuyến không lồi (nonconvex, nonlinear optimization). Tuy nhiên, sự có mặt của ràng buộc lại làm cho phương pháp Branch and
Bound hiệu quả hơn, thể hiện ở chỗ với các ràng buộc sẽ làm chokhông gian tìm kiếm là
hữu hạn. Các điều kiện ràng buộc càng chặt làm cho không gian tìm kiếm càng thu hẹp, càng dễ thu được lời giải tối ưu.
b. Nhược điểm
Khối lượng tính toán là rất lớn, nó tăng theo quan hệ hàm mũ với phạm vi dự báo
điều khiển và số điểm rời rạc trong không gian tìm kiếm. Các khả năng của tín hiệu điều khiển bị hạn chế bởi tập giá trị rời rạc của nó. Nếu chia không gian tìm kiếm thành nhiều mức thì việc xấp xỉ là tốt, tuy nhiên việc tìm kiếm là rất chậm, nếu chia ít mức thì độ chính xác của lời giải bị giảm đi. Hiện tượng thường xảy ra đó là hệ thống tồn tại dao động nhỏ khi tiến gần đến giá trị đặt do tín hiệu điều khiển dao động xung quanh hai mức rời rạc liên tiếp của nó.