模糊增强离散归零神经网络

强噪声下仍保持收敛

融合模糊控制与五步前瞻离散化，在多种噪声下稳定求解未来多约束非线性优化问题。

邱斌斌 · Guo, Jinjin · 毛明志 · 谭宁

IEEE Transactions on Fuzzy Systems 2023

技术优势

噪声下也能收敛

模型引入模糊增强鲁棒进化规则，在多种噪声干扰下仍能收敛，保证求解可靠性。

比现有模型更鲁棒

通过实例验证，与现有离散归零神经网络模型相比，本模型在噪声下表现出更强的鲁棒性。

一步到位处理未来约束

模型针对未来多约束非线性优化问题设计，可直接求解带多种约束的动态优化任务。

应用场景

• 机器人机械手控制：为机械臂轨迹跟踪提供实时优化控制，在噪声下稳定运行。
• 实时非线性优化：解决带多约束的实时非线性优化问题，替代传统迭代求解器。
• 神经网络硬件加速：模型可部署于并行硬件，加速实时优化计算过程。
• 多约束运动规划：同时处理运动规划中的多类约束，提升规划鲁棒性。