Model Reference Adaptive Control Allocation for Constrained Systems with Guaranteed Closed Loop Stability
针对具有执行器饱和的不确定过驱动系统，提出了一种自适应控制分配方法。所提出的方法不需要不确定性估计或持续激励假设。使用逐单元非对称投影算法，自适应参数被限制为满足一定的最优性条件，从而使整个闭环系统稳定。此外，提出了一种具有时变滑模面的滑模控制器，与自适应控制分配相结合，以保证外环的稳定性和参考跟踪存在控制分配误差和干扰。以研究环境中的Aerodata模型作为过驱动系统，在执行器饱和的情况下进行了仿真，验证了所提方法的有效性。
2019-09-22 cs.SY eess.SY math.OC
Discrete Adaptive Second Order Sliding Mode Controller Design with Application to Automotive Control Systems with Model Uncertainties
滑模控制（SMC）是一种鲁棒性强、计算有效解的方法，可用于解决高度非线性系统的跟踪控制问题。由于抖动现象和对数据采样不精确的敏感性而引起的高频振荡限制了传统的一阶连续时间SMC的数字实现。高阶离散滑模控制是一种有效的解决方案，以减少抖振在控制器的软件实现，也克服了由于数据采样不精确。本文提出了一种新的自适应二阶离散滑模控制（DSMC）的制定，以减轻数据采样的不精确性和不确定性建模对象的动态。该自适应机制是基于保证闭环系统渐近稳定性的李雅普诺夫稳定性参数。所提出的控制器的设计和测试的高度非线性燃烧发动机跟踪控制问题。仿真结果表明，在采样和模型不确定的情况下，二阶DSMC比一阶DSMC的跟踪性能提高了80%以上。
2017-06-06 math.OC
Adaptive Dead-Zone Dual Sliding Mode Observer for Reliable Electrochemical Model-Based SOC Estimation
Fuyao University of Science and Technology（福耀科技大学）；Southwest Jiaotong University（西南交通大学）；VITO（弗拉芒技术研究所）；EnergyVille（能源村）；Hasselt University（哈瑟尔特大学）
针对电化学模型SOC估计的参数变化、非线性等挑战，提出基于改进单粒子模型的自适应死区双滑模观测器，通过李雅普诺夫推导的死区控制参数更新，在多工况下精度、收敛速度、计算效率和老化鲁棒性均优于传统方法，适用于实时电池管理。
2026-10-16 cs.SY eess.SY math.OC
Adaptive Conditional Gradient Sliding: Projection-Free and Line-Search-Free Acceleration
Graduate School of Information Science and Technology, The University of Tokyo（东京大学大学院信息学理工学研究科）
自适应条件梯度滑动方法通过自适应步长和LMO实现无投影和线搜索的加速凸优化
2026-07-23 math.OC
Intelligent Sliding Mode Control of an Overhead Container Crane
在这方面的贡献，提出了一种智能控制器的欠驱动桥式集装箱起重机的参数不确定性和未建模动态。所采用的方法是基于滑模方法，赋予对建模不准确和外部干扰的鲁棒性。此外，一个自适应模糊推理系统嵌入在控制律，以提高设定点调节和轨迹跟踪。为了评估所提出的智能方案的性能，控制律的实施和测试中的1：6规模的实验集装箱起重机，可在力学与海洋工程研究所在汉堡理工大学。实验结果表明，该方案不仅是可行的，但它的稳定和轨迹跟踪问题的改善效果。
2022-06-07 cs.SY eess.SY math.OC
Robust Constrained Optimization via Sliding Mode Control
Hanse-Wissenschaftskolleg (Institute for Advanced Study)（汉斯科学院（高级研究所））
本文提出基于滑模控制的框架，将一阶KKT条件改写为控制仿射动力系统，实现等式约束优化的精确约束执行和有限时间收敛，具有鲁棒性。
2026-04-30 cs.SY eess.SY math.OC
Adaptive Discrete Second Order Sliding Mode Control with Application to Nonlinear Automotive Systems
滑模控制（SMC）是一种基于模型的鲁棒控制器设计技术，适用于存在模型和外部不确定性的高度非线性系统。然而，传统的连续时间SMC在数字计算机上的实现是有限的，由于数据采样和量化所引起的不精确性，以及抖动现象，这导致高频振荡。最小化数据采样和量化不精确的影响的一个有效解决方案是使用高阶滑动模式。为此，本文针对一般类型的多输入多输出（MIMO）不确定非线性系统，提出了一种新的自适应二阶离散滑模控制（DSMC）公式。基于李雅普诺夫稳定性的论点，并通过调用新的不变原理，不仅保证了渐近稳定性的控制器，但也得到的自适应律，以消除非线性对象动态的不确定性。提出的自适应跟踪控制器的设计和测试在实时的高度非线性控制问题在火花点火燃烧发动机在瞬态工况。仿真和实时处理器在环（PIL）测试结果表明，在采样和量化不精确的情况下，二阶单输入单输出（SISO）DSMC比一阶SISO DSMC在建模不确定性的情况下，跟踪性能提高了90%以上。此外，据观察，通过将发动机SISO控制器转换为MIMO结构，整体控制器的性能可以提高25%，相比SISO二阶DSMC，因为动态耦合的考虑内的MIMO DSMC制定。
2018-05-17 math.OC
Handling Model and Implementation Uncertainties via an Adaptive Discrete Sliding Mode Controller Design
在基于模型的控制器的设计周期中，模拟-数字转换（ADC）和对象动态建模中的不确定性是不精确的主要来源。这些实现和模型的不确定性应该在控制器设计的早期阶段解决，否则它们可能导致控制器性能的失败，从而增加完成具有更多迭代循环的控制器验证和确认（V&V）所需的时间和成本。在本文中，一种新的控制方法的基础上，非线性离散滑模控制器（DSMC）制定，以减轻ADC的不精确性和模型的不确定性。为此，DSMC设计开发的实施不精确，通过将知识的ADC不确定性的控制输入，通过在线不确定性预测和传播机制。接下来，一个通用的在线自适应律将被推导出来，以补偿控制器方程中的一个未知参数的影响，该参数被假定为代表模型的不确定性。最后提出的控制器是一个集成的自适应DSMC与鲁棒性的实施和模型的不确定性，包括（i）在线ADC的不确定性机制，和（ii）在线自适应法律。建议的适应控制方法进行评估的非线性汽车发动机控制问题的实时使用处理器在环（PIL）设置与实际的电子控制单元（ECU）。结果表明，所提出的适应控制技术消除了模型中的不确定性快速，并显着提高了控制器的ADC不精确的鲁棒性。与没有ADC不精确性的基线DSMC相比，这提供了高达60%的控制器性能改善。
2017-06-07 math.OC
Attractive Ellipsoid Sliding Mode Observer Design for State of Charge Estimation of Lithium-ion Cells
这项工作研究了锂离子（Li离子）电池的荷电状态（SoC）的实时估计，以实现可靠，安全和高效的利用。设计了一种新的基于吸引椭球的滑模观测器（AESMO）算法来实时估计SoC。该算法利用标准的等效电路模型的锂离子电池，并提供了可靠和有效的SoC估计的存在有界的不确定性的电池参数以及外源干扰。观测器设计的理论框架不仅限于锂离子电池的SoC估计问题，而是适用于更广泛的一类非线性系统的匹配和失配的不确定性。所提出的观测器的主要优点是提供一个快速和最佳的SoC估计的基础上最小化的不确定性界。利用混合脉冲功率特性测试（HPPC）和城市测功机行驶工况测试（UDDS）数据对所提出的方法进行了实验测试和评价，验证了该方法的有效性和可行性。
2020-08-16 cs.SY eess.SY math.OC
Sliding Mode Observers for Set-valued Lur'e Systems with Uncertainties Beyond Observational Range
针对 Lur'e 集值动力系统中观测范围外的不确定性，提出一种新的滑模观测器，通过将不确定性分解为观测子空间及其补空间两部分，实现精确观测或实用的区间估计，并证明其同时是 T-观测器和强 H-infinity 观测器。
2024-04-25 math.OC
Robust Topology Identification and Control of LTI Networks
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种鲁棒方案，用于识别和控制线性动态网络的拓扑结构，通过自适应反馈输入和滑模控制结合，实现网络动态渐近跟踪参考动态，并通过仿真验证理论成果。
2014-06-17 cs.SY eess.SY math.DS
A Semi-Definite Programming Approach to Robust Adaptive MPC under State Dependent Uncertainty
针对不确定线性系统，提出了一种自适应MPC框架，以实现状态和输入约束的鲁棒满足。假设系统中的不确定性是加性的，状态相关的，全局Lipschitz与一个已知的Lipschitz常数。我们使用一种非参数技术在线识别系统的不确定性，通过二次约束定义的包络线近似其图形。在任何给定的时间，通过求解一组凸优化问题，MPC控制器保证了闭环系统的鲁棒约束满足所有可能的值的系统不确定性建模的包络。不确定性包络线是使用集成员方法与数据细化。我们通过一个详细的数值例子强调了所提出的框架的有效性。
2020-02-15 cs.SY eess.SY math.OC
A Rapid Fault Reconstruction Strategy Using a Bank of Sliding Mode Observers
提出了一种基于模型的滑模观测器快速故障检测与隔离策略。为了解决这个问题，提出了一种新的方案，通过自适应地结合由一个银行的观察员提供的信息。在这方面，一个新的结构的滑模观测器被认为是。然后，利用公知的递归最小二乘算法来适当地合并各个状态估计，使得更快地检测系统故障。推导了提高完美状态估计的必要条件，并通过李雅普诺夫直接法证明了整个系统的稳定性。通过数学分析和仿真，充分讨论了所提出的方案的优越性。
2019-04-23 math.OC
A Lyapunov Approach to Barrier-Function Based Time-Varying Gains Higher Order Sliding Mode Controllers
本文提出了基于Lyapunov的{ \color{black}时变}控制器，使具有有界不确定性的扰动积分链{ \color{black}快速}镇定.我们把这种控制器称为{ \color{black}时变}高阶滑模控制器，因为它们是为具有有界不确定性的非线性单输入单输出（SISO）系统设计的，使得不确定性界是未知的。%{ \color{blue} OLD：我们的主要结果指出，给定原点的任何邻域$\varepsilon$，我们确定一个控制器，确保对于每个不确定性界，相应的闭环系统的每个轨迹进入$\varepsilon$，并最终保持在那里。进一步，基于齐性性质，给出了一种新的依赖于$\varepsilon$大小的渐近精度.本文给出了一个时变控制反馈律，保证了：存在一族$(D(t))_{t\geq 0}$时变开集，当$t$趋于无穷大时，它向原点递减，使得对于任意未知的不确定性界和相应系统的轨迹$z(\cdot)$，存在一个正的$t_z$，其中对于$t\geq t_z$，存在$z(t_z)\in D(t_z)$和$z(t)\in D(t)$. %进入所有轨迹在有限时间内收敛到收缩到原点的时变域$D(t)$，并在那里保持。因此，由于函数$η(t)$趋于零，这导致所有轨迹的渐近收敛为零。这些控制器的有效性，通过仿真说明。
2020-02-22 math.OC
MIMO First and Second Order Discrete Sliding Mode Controls of Uncertain Linear Systems under Implementation Imprecisions
传统的基于模型的控制器的性能很大程度上取决于建模动态的准确性。设备动态模型在估计物理参数的数值时会出现误差，并且会随操作环境条件和时间发生变化。模型参数的这些误差和变化是控制器结构中不确定性的主要来源。控制器软件在实际电子控制单元（ECU）上的数字实现在控制器输入/输出处引入了另一层不确定性。实现的不确定性主要是由于通过模数转换（ADC）单元进行的数据采样和量化造成的。在控制器设计周期的早期阶段未能解决模型和ADC的不确定性，导致昂贵且耗时的验证和确认（V&V）过程。针对一类不确定线性系，提出了一阶和二阶离散滑模控制器（DSMC）的新形式。通过在线ADC不确定性预测机制，将ADC不精确性的知识纳入建议的DSMC中，以提高控制器的鲁棒性。此外，DSMC配备有自适应律，以从线性系模型的参数中去除两种不同类型的建模不确定性（乘性和加性）。建议的自适应DSMCs进行评估的直流电机速度控制问题的实时使用处理器在环（PIL）设置与实际的ECU。仿真结果表明，所提出的SISO和MIMO二阶DSMC比传统的SISO一阶DSMC跟踪性能分别提高了69%和84%。此外，建议的适应机制是能够消除高达90%的模型中的不确定性。
2017-06-13 math.OC
Intelligent control of a single-link flexible manipulator using sliding modes and artificial neural networks
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）；University of Turku（图尔库大学）
本文提出了一种新的柔性臂机器人精确轨迹跟踪的智能控制方案。所提出的方法主要是基于滑模控制器的欠驱动系统与嵌入式人工神经网络，以处理建模不准确。所采用的神经网络只需要一个单一的输入和一个隐藏层，这大大降低了计算复杂性的控制规律，并允许其在低功耗微控制器的实施。选择在线学习而不是有监督的离线训练，以允许在跟踪期间实时的调整神经网络的权重。因此，所得到的控制器是能够应付欠驱动的问题，并通过从经验中学习，这授予适当地处理植物动态的能力，以适应自己。在类李雅普诺夫稳定性分析中引入Barbalat引理，证明了跟踪误差的有界性和收敛性。一个小的单连杆柔性机械臂的实验结果表明，所提出的控制方案的有效性，即使在存在高水平的不确定性和噪声信号。
2022-03-21 cs.RO cs.SY eess.SY
Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control
TICLab, International University of Rabat（国际拉巴特大学TIC实验室）；CNRS–CRAN–7039, University of Lorraine（法国洛林大学CNRS-CRAN-7039机构）；INRIA Nancy–LARSEN（INRIA南尼ce-LARSEN机构）；Mohammed VI Polytechnic University, College of Computing（穆莱·易卜拉欣六世理工大学计算机学院）；Faculty of Engineering, University of Leeds（利兹大学工程学院）
本文提出结合神经网络与自适应滑模控制的软件传感器设计方法，利用物理约束训练，无需真实状态轨迹，实现非线性系统鲁棒状态估计，并验证了快速收敛与高精度。
2025-07-09 cs.LG cs.NE math.DS
On Parameter Selection of Nonsingular Predefined-time Terminal Sliding Mode With the Fixed-time Convergence Guarantee
本文研究了预定时间滑模的参数选择问题，并尝试设计了一种通用的非奇异预定时间终端滑模。1）。参数选择：现有的一些预定时间滑动模式被设计成关注到达时间而忽略平衡点的特征，即x_e= 0。在实际工程中，由于不确定性的存在，系统只能收敛到平衡点附近的一个小邻域，即x_e \to 0。实际的平衡点应该通过取极限来推导，而不是直接求解平衡点。因此，建议指数项的实际选取不为1，以使系统在预定时间内收敛到平衡点。2）。关于奇点回避：基于预定时间稳定系统的指数特性，将切换滑模\cite{su1994adaptive}的数学概念应用于非奇异预定时间终端滑模的设计。然而，这类滑模切换方法会引起奇异问题，如果系统状态x \to 0且x的任意阶时间导数不为0，则该奇异问题可以描述为控制输入u \to \infty。因此，本文提出了一种非奇异的选择条件，以实现控制输入的全局有限性。此外，不必要的控制输入的抖振也会引起的滑模切换频率，和一个新的切换条件将被应用在控制器中，以减少这种抖振。仿真结果在一定程度上验证了该方法的有效性。
2020-10-06 math.OC
Adaptive stabilization of a leaderless bearing-constrained formation with disturbances
East Asia University of Technology（东亚理工大学）；University of Southern California（南加州大学）；Ghost Robotics（幽灵机器人公司）；Hanoi University of Science and Technology（河内科技大学）
针对受未知上界扰动影响的无领导有向轴承约束编队，提出自适应滑模控制实现一致全局渐近镇定，并设计平滑控制律抑制抖振，保证编队有界性。
2026-11-11 cs.MA math.OC
Extended Hybrid Model Reference Adaptive Control of Piecewise Affine Systems
本文对文献[1]中提出的适应控制策略进行了扩展，该策略能够对抗由于$\mathcal{L}_2$稳定闭环系统输入端的扰动而导致的最终不稳定性。这些干扰是由于在植物和参考模型中的仿射项的存在。一个共同的李雅普诺夫函数的存在被用来证明整体收敛的误差系统，即使在存在滑动的解决方案，以及有界的所有自适应增益。
2015-05-19 math.OC
Robust adaptive state-feedback control of linear time-varying systems under both potentially unbounded system's modeling uncertainty and external disturbance
针对线性时变（LTV）系统，在系统建模不确定性和非线性外部干扰的情况下，提出了一种基于对数范数的鲁棒自适应状态反馈控制器设计方法。该控制器由自适应和鲁棒两个独立部分组成，使每个LTV系统全局渐近稳定，而不管干扰有多大。
2020-07-14 math.OC
A Lyapunov approach to Robust and Adaptive finite time stabilization of integrator chains with bounded uncertainty
在本文中，我们提出了基于李雅普诺夫的鲁棒自适应控制器的有限时间稳定的扰动链的积分有界不确定性。所提出的控制器可以设计为任何任意长度的积分链。在鲁棒控制问题中不确定性界是已知的，而在适应控制问题中不确定性界是未知的。这两种控制器都是从一类纯积分链的有限时间镇定控制器发展而来的。基于李雅普诺夫的设计允许计算收敛时间的上界。
2013-05-30 math.OC
Nonparametric Adaptive Robust Control Under Model Uncertainty
研究了模型不确定性下的离散时间随机马尔可夫控制问题。这种不确定性不仅来自于这样一个事实，即潜在的随机过程的真实概率定律是未知的，而且真实定律所属的概率分布的参数族也是未知的。我们提出了一种非参数自适应鲁棒控制方法来处理这样的问题。我们的方法基于以下概念：首先，使用自适应鲁棒范例将在线学习和不确定性减少结合到鲁棒控制问题中：其次，通过经验分布学习未知的概率规律，并将不确定性减少表示为经验分布周围的一系列Wasserstein球;第三，利用拉格朗日对偶将Wasserstein球上的优化问题转化为标量最优化问题，并采用机器学习技术实现最优控制的高效计算。我们通过考虑效用最大化问题来说明我们的方法。数值比较表明，非参数自适应鲁棒控制方法优于传统的鲁棒框架。
2022-03-21 math.OC q-fin.MF
The Benefit of Uncertainty Coupling in Robust and Adaptive Robust Optimization
本文通过引入耦合不确定性集，研究约束间耦合如何缓解鲁棒优化与自适应鲁棒优化的保守性，并提供目标值改进的理论紧界及计算验证。
2024-10-29 math.OC
Adaptive Uncertainty-Weighted ADMM for Distributed Optimization
提出了一种求解大规模凸优化问题的自适应不确定加权一致ADMM方法AUQ-ADMM。我们的主要贡献是一种新的自适应加权方案，经验上增加了共识ADMM计划取得的进展，是有吸引力的，当使用大量的子问题。权重与每个子问题的解决方案相关的不确定性，并使用低秩近似有效地计算。我们证明了AUQ-ADMM可证明收敛，并证明了其在一系列机器学习应用中的有效性，包括弹性网络回归，多项式逻辑斯谛回归和支持向量机。我们提供了一个基于PyTorch包的实现。
2022-04-19 cs.NA math.NA math.OC
Adaptive Pricing in Unit Commitment Under Load and Capacity Uncertainty
针对电力市场日前价格不确定性及现有定价方法依赖提升支付且不适应不确定性的问题，提出首个适应负荷与容量不确定性的自适应定价方法，消除市场后提升支付并遏制自行调度。
2023-09-15 math.OC
A novel multi-stage multi-scenario multi-objective optimisation framework for adaptive robust decision-making under deep uncertainty
针对深度不确定性下的多阶段多目标决策问题，提出多阶段多情景多目标优化框架，通过情景评估实现稳健决策，并在投资组合案例中验证。
2023-12-18 math.OC
Adaptive Robust Control Under Model Uncertainty
在本文中，我们提出了一种新的方法来解决离散时间的不确定随机马尔可夫控制问题。我们称所提出的方法的自适应鲁棒控制。我们证明了所考虑的不确定控制问题可以解决相关的自适应鲁棒Bellman方程。我们的方法的成功是在很大程度上归功于递归方法的建设相关的置信区域。我们说明了我们的方法，考虑最优投资组合配置问题，我们比较使用自适应鲁棒控制方法与其他一些现有的方法得到的结果。
2017-06-07 math.OC math.PR q-fin.MF
Adaptive Robust Optimization with Dynamic Uncertainty Sets for Multi-Period Economic Dispatch under Significant Wind
风力发电作为一种对环境负责的可再生能源的特殊好处，导致风能在当今电力系统中的渗透率越来越高。这一趋势已经开始重塑电力系统运行的范式，因为处理高度间歇性和不确定性的风力发电引起的不确定性成为一个重要问题。基于此，我们提出了一个新的框架，采用自适应鲁棒优化的电力系统的经济调度与高水平的风渗透。特别是，我们提出了一个自适应鲁棒最优化模型的多周期经济调度，并引入动态不确定性集的概念和方法来构建这样的集模型的时间和空间的不确定性的相关性。我们还开发了一个仿真平台，它结合了所提出的鲁棒经济调度模型与滚动时域框架中的统计预测工具。我们已经在这个平台上进行了大量的计算实验，使用真实的风数据。结果是有前途的，并证明了我们的方法的好处，在成本和可靠性方面，现有的强大的最优化模型，以及最近的前瞻性调度模型。
2014-09-30 math.OC
Adaptive Control of Unknown Linear Switched Systems via Policy Gradient Methods
ETH Zurich（苏黎世联邦理工学院）
本文提出了一种基于策略梯度的方法，用于稳定未知参数和切换时间的线性切换系统，通过滑动窗口数据实现闭环稳定性。
2026-01-06 math.OC
Overfitting in Adaptive Robust Optimization
Operations Research Center（运筹学研究中心）；Sloan School of Management（斯隆管理学院）
该研究指出自适应鲁棒优化（ARO）存在类似机器学习过拟合的脆弱性问题，提出为不同约束分配专属不确定性集合大小的方法，以正则化思路平衡鲁棒性与自适应性。
2025-11-19 cs.LG math.OC stat.ML
Nonparametric Adaptive Bayesian Stochastic Control Under Model Uncertainty
本文提出了一种新的方法来解决模型不确定性下的离散时间随机马尔可夫控制问题。通过利用狄利克雷过程，我们模型的未知分布的潜在的随机过程作为一个随机概率测度，并实现在线学习的贝叶斯方式。我们的方法集成了优化和动态学习。在处理模型不确定性时，非参数框架使我们能够避免通常发生在其他经典控制方法中的模型误设定。然后，我们开发了一个数值算法来处理无限维的状态空间，在这种设置，并利用高斯过程代理，以获得贝尔曼递归的值函数的函数表示。我们还为最优控制构建了单独的代理，以消除样本外路径上的重复优化，并提高计算速度。最后，我们证明了非参数贝叶斯框架的财务优势相比，参数的方法，如强大的鲁棒性和时间一致的自适应。
2022-03-27 math.OC q-fin.MF
