Научная статья на тему 'Прогнозирующее управление с замкнутой обратной связью дискретными системами со случайными коррелированными параметрами'

Прогнозирующее управление с замкнутой обратной связью дискретными системами со случайными коррелированными параметрами Текст научной статьи по специальности «Математика»

CC BY
130
28
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
УПРАВЛЕНИЕ С ПРОГНОЗИРУЮЩЕЙ МОДЕЛЬЮ / ЗАМКНУТАЯ ОБРАТНАЯ СВЯЗЬ / КОРРЕЛИРОВАННЫЕ ПАРАМЕТРЫ / MODEL PREDICTIVE CONTROL / CLOSED-LOOP FEEDBACK CONTROL / CORRELATED PARAMETERS

Аннотация научной статьи по математике, автор научной работы — Домбровский Владимир Валентинович, Объедко Татьяна Юрьевна, Самородова Мария Владимировна

Рассматривается задача управления дискретными динамическими системами со случайными коррелированными параметрами, относительно которых известны только первые и вторые моменты распределения. Определена стратегия управления с прогнозирующей моделью с замкнутой обратной связью на конечном и бесконечном горизонтах управления. Получены достаточные условия устойчивости стратегии управления на бесконечном горизонте.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по математике , автор научной работы — Домбровский Владимир Валентинович, Объедко Татьяна Юрьевна, Самородова Мария Владимировна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The closed-loop optimal feedback model predictive control policy for systems with stochastic correlated parameters

We consider the following discrete-time with stochastic parameters system on the probabilistic space (Q, F,P): x(k +1) = Ax(k) + B[n(k +1), k + 1]u(k), (1) where x(k) e Kn* is the vector of state, u(k) e Kn" is the vector of control inputs; n(k) e Кq is assumed to be stochastic time series. The matrices A e Кnx xnx, B [п (k), k] e К x u are the system matrix and the input matrix, respectively. All the elements of B[n(k),k] are assumed to be linear functions of n(k). Let F =( Fk )k>i be the complete filtration with a-field Fk generated by the {n(s): s=0,1,2,...,k} that models the flow of information to time k. We allow the time series n(k) is serially correlated. Let assume that we know the firstand the second-order conditional moments for the stochastic vector n(k) about Fk : E {n(k + i)/ Fk } = n(k + i), E {n(k + i)nT (k + j)/ Fk } = © j (k ),(k = 0,1,2,...),(i, j = 1,2,..., l). We define the following cost function with receding horizon, which is to be minimized at every time k J (k + m / k) = E j j xT (k + i) R1(k, i) x(k + i) + u T (k + i -1/ k) R(k, i)u(k + i -1/ k) / x(k), Fk j, (2) on trajectories of system (1) over the sequence of predictive control inputs u(k/k),.,u(k+m-1/k) dependent on information up to time k, where R1(k,i) > 0, R(k,i) > 0 are given symmetric weight matrices of corresponding dimensions; m is the prediction horizon. The closed-loop optimal feedback law minimizing criterion (2) was derived via dynamic programming. Conditions that guarantee the stability of the infinite horizon formulation are given.

Текст научной работы на тему «Прогнозирующее управление с замкнутой обратной связью дискретными системами со случайными коррелированными параметрами»

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА

2017 Управление, вычислительная техника и информатика № 39

УДК 519.865.5

Б01: 10.17223/19988605/39/2

В.В. Домбровский, Т.Ю. Объедко, М.В. Самородова

ПРОГНОЗИРУЮЩЕЕ УПРАВЛЕНИЕ С ЗАМКНУТОЙ ОБРАТНОЙ СВЯЗЬЮ ДИСКРЕТНЫМИ СИСТЕМАМИ СО СЛУЧАЙНЫМИ КОРРЕЛИРОВАННЫМИ ПАРАМЕТРАМИ

Рассматривается задача управления дискретными динамическими системами со случайными коррелированными параметрами, относительно которых известны только первые и вторые моменты распределения. Определена стратегия управления с прогнозирующей моделью с замкнутой обратной связью на конечном и бесконечном горизонтах управления. Получены достаточные условия устойчивости стратегии управления на бесконечном горизонте.

Ключевые слова: управление с прогнозирующей моделью; замкнутая обратная связь; коррелированные параметры.

Системам со случайными параметрами уделяется значительное внимание в современной научной литературе. Это связано с тем, что такие системы нашли широкое практическое применение при управлении сложными реальными объектами.

Проблема синтеза регуляторов для подобных систем при различных предположениях о характере изменения случайных параметров рассматривалась в работах [1-9]. В работе [1] получены уравнения синтеза регуляторов с замкнутой обратной связью для систем со случайными независимыми параметрами и мультипликативными шумами. В [4, 5] рассматривается задача управления линейными системами со скачкообразными параметрами, меняющимися в соответствии с эволюцией дискретной марковской цепи.

В работах [6-9] используется методология управления с прогнозирующей моделью (управление со скользящим горизонтом) [10]. Задача синтеза стратегий управления с прогнозированием с замкнутой обратной связью для систем со случайными независимыми параметрами решена в работе [6]. В работе [7] получены уравнения синтеза оптимальных стратегий управления с прогнозирующей моделью с разомкнутой обратной связью для систем со случайными независимыми параметрами и мультипликативными шумами. Дискретные системы со случайными зависимыми параметрами рассматриваются в [8, 9]. В этих работах синтезированы алгоритмы прогнозирующего управления с разомкнутой обратной связью с учетом ограничений на управления. При этом в [8] предполагается, что динамика вектора параметров описывается разностным стохастическим уравнением авторегрессии, в работе [9] предполагается, что известны только первые и вторые моменты распределения параметров.

В настоящей работе получены уравнения синтеза оптимальных стратегий управления с замкнутой обратной связью для систем со случайными коррелированными параметрами, относительно которых предполагаются известными только первые и вторые моменты распределения. Даны достаточные условия устойчивости стратегии управления на бесконечном горизонте.

1. Постановка задачи

Рассмотрим дискретную линейную систему, заданную на вероятностном пространстве (О, ^ ,Р):

х(к +1) = Лх(к) + Б[ц(к +1), к + 1]ы(к), (1)

где х(к) - «х-мерный вектор состояния, и(к) - «„-мерный вектор управления, п(к) - последовательность ^-мерных случайных векторов, наблюдаемых до момента времени к включительно. Л, Б[п(к),к] - матрицы соответствующих размерностей, причем Б[п(к),к] зависит от п(к) линейно.

Пусть на (О, Ъ ,Р) выделен поток о-алгебр Р =( )к>ь где каждая из о-алгебр Ък порождается последовательностями {г|(?): 5=0,1,2,...,к} и интерпретируется как доступная информация до момента времени к включительно.

Будем полагать, что для процесса п(к) известны условные моменты относительно Ък :

Е {п(к + 1)/ Ък } = П(к + 0, (2)

Е {п(к + /)пТ (к + ])/ Ък } = (к), (к = 0,1,2,...), (/, ] = 1,2,...). (3)

Для управления системой (1) синтезируем стратегии с прогнозирующей моделью по следующему правилу. На каждом шаге к минимизируем квадратичный критерий со скользящим горизонтом управления

J(к + т / к) = £ Е {хТ (к + 1)Я1(к, 1)х(к + 1) / х(к), Ък }

(4)

+£ Е {иТ(к + / / к)Я (к,/)ы(к +1 / к) / х(к),Ък }

1=0

на траекториях системы (1) по последовательности прогнозирующих управлений и(к/к),...,и(к+т—1/к), зависящих от состояния системы в момент времени к; Я\(к,1) > 0, Я(к,1) > 0 - весовые матрицы соответствующих размерностей; т - горизонт прогноза; к - текущий момент времени. В качестве управления в момент времени к берем и(к) = и(к/к). Тем самым получаем управление и(к) как функцию состояний х(к), т.е. управление с обратной связью. Чтобы получить управление и(к+1) на следующем шаге, процедура повторяется для следующего момента к+1 и т.д.

2. Синтез стратегий управления с прогнозированием

Теорема 1. Оптимальная стратегия прогнозирующего управления с замкнутой обратной связью системой (1), минимизирующая критерий (4), при фиксированном горизонте прогнозирования т, на каждом шаге к определяется уравнением

иор4(к) = -К(т)х(к) = -[¿22(т -1) + Я(к,0)]- Ц2(т -1)х(к), (5)

где

Ц2(\) = АТ S (I) Е {Б[ц(к + т -1), к + т -1 ]/ +т +1}, (6)

¿22(1) = Е {БТ[п(к + т - /), к + т -1 ]5 (I) Б[п(к + т -1), к + т -1 ]/ +^+1}, (7) 5(7) - матрица, определяемая из решения рекуррентного уравнения вида

£(7) = ^ (к,т -7) + АТ5(7 -1)А -Ц2(1 -1)[¿22(7 -1) + Я(к,т -1)]-1 (2(1 -1))Т (8)

с начальным условием 5(0) = Я\(к,т).

При этом оптимальное значение критерия (4) определяется выражением

Jор4 (к + т / к) = хТ (к) [5(т) - Я (к, т)] х(к). (9)

Доказательство. Используем метод динамического программирования Беллмана. В момент времени к+т-1 критерий (4) имеет вид

J(k + т / к + т -1) = Е{хТ(к + т)Я1(к, т)х(к + т) + )

+иТ (к + т -1/ к)Я(к,т - 1)и(к + т -1/ к) / х(к + т -1),Ък+m_1}.

Выражая х(к+т) через х(к+т-1) с использованием уравнения системы (1) и подставляя в (10), будем иметь

J(к + т / к + т -1) = хТ(к + т -1) АТЯ1 (к, т) Ах(к + т -1) + +2хТ (к + т -1)АТЯ (к, т)Е{Б[ц(к + т),к + т] / Ък+т_1 }и(к + т -1/ к) +

(14)

+ит(к + т -1/ к){Е{Бт[г|(к + т),к + т]Я1(к,т)Б[г|(к + т),к + т] / $к+т-1} + Я (к,т - 1)}и(к + т -1/ к) = = хт (к + т -1)Лт5(0)Лх(к + т -1) + 2хт(к + т - 1)А2(0)и(к + т -1/ к) +

+иТ (к + т -1/ к ){Ь22 (0) + Я (к, т - 1)}и(к + т -1/ к), (11)

где 5(0) = Я1(к,т); ¿12(0), £22(0) определяются уравнениями (6)-(7).

Оптимизируя (11) по и(к+т-1/к), получаем оптимальное управление на к+т-1 шаге:

и ор1(к + т -1/ к) = -[¿22 (0) + Я (к, т -1)]-14Д0)х(к + т -1). (12)

Подставляя (12) в (11), получим оптимальное значение критерия (4) на к+т-1 шаге: ^ (к + т / к + т -1) = хт(к + т -1)[ЛтЯ (к, т)Л - ЛтЯ (к, т)М{Б[п(к + т), к + т]/ +т-1} х х{Е{Бт [п(к + т), к + тЩ (к, т)Б[п(к + т), к + т]/ +т-1} + Я(к, т -1)}-1 х

хЕ{Бт[п(к + т), к + т]/ +т_1}Я1(к, т)Л]х(к + т -1) = (13)

= хт (к + т -1)[Лт5(0)Л - 1Л2(0)[122 (0) + Я(к,т -1)]-1 (1Л2 (0))т ]х(к + т -1) = = хт (к + т -1)[5(1) - Ях (к, т - 1)]х(к + т -1),

где 5(1) определяется уравнением (8).

Повторяя процедуру на следующем шаге, имеем

J(к + т / к + т - 2) = Е{хт (к + т - 1)ЯХ (к, т -1)х(к + т -1) +

+ит(к + т - 2/ к)Я(к,т - 2)и(к + т - 2/ к) + Jор1(к + т / к + т -1)/ х(к + т - 2),%к+т-2} =

= Е{хт (к + т -1)5(1)х(к + т -1) + ит(к + т - 2/ к)Я(к,т - 2)и(к + т - 2/ к)/ х(к + т - 2),%к+т_2} =

= хт (к + т - 2)Лт5(1)Лх(к + т - 2) + 2хт(к + т - 2)Ь12 (1)и (к + т - 2 / к) +

+ит(к + т - 2 / к)^22 (1) + Я(к, т - 2)}и(к + т - 2 / к),

¿12(1), £22(1) определяются уравнениями (6)-(7).

Оптимизируя (14) по и(к+т-2/к), получаем оптимальное управление на к+т-2 шаге:

иор1(к + т -1/ к) = -[¿22(1) + Я(к, т - 2)]-1112(1)х(к + т - 2). (15)

Подставляя (15) в (14), имеем оптимальное значение критерия (4) на к+т-2 шаге: Jор1 (к + т / к + т -1) = хт(к + т - 2)[Лт5(1)Л - Лт5(1)Е{Б[^(к + т -1), к + т -1]/ %к+т_2 } х х{Е{Бт [^(к + т -1),к + т -1]5(1)Б[^(к + т -1),к + т -1] / %к+т-2} + Я(к, т - 2)}-1 х

хЕ{Бт[ц(к + т -1),к + т -1]/ %к+т-2}5т(1)Л]х(к + т - 2) = (16)

= хт (к + т - 2)[Лт5(1)Л - 1Л2 (1)[122 (1) + Я(к, т - 2)]-1 (1Л2 (1))т ]х(к + т - 2) = = хт (к + т - 2)[5(2) - Ях (к, т - 2)]х(к + т - 2),

где 5(2) определяется уравнением (8). На шаге к получаем

J (к + т / к) = Е{хт (к +1)5 (т -1) х(к +1) + и т(к / к )Я(к, 0)и(к / к) / х(к), %к} =

= хТ (к)Лт5(т -1)Лх(к) + ит(к / к)!11(т - 1)и(к / к) + 2хт (к)112(т - 1)и(к / к).

(17)

Нетрудно показать, что при этом оптимальное управление и(к/к) имеет вид (5), оптимальное значение критерия (4) определяется уравнением (9).

3. Управление на бесконечном горизонте

Рассмотрим квадратичный критерий на бесконечном горизонте управления

m .

J(k + m / k) = £ E{xT (k + i)Äx(k + i) / x(k), fk} +

1 '=1 (18)

m-1 .

+£ E{uT (k + i / k)Äu (k + i / k) / x(k), fk }, m ^ да.

i=0

Предположим, что матрица B[n(k),k], первые и вторые условные моменты процесса n(k) не зависят от времени, т.е.

B [ п ( k ), k ] = B[n(k)], E {n(k + i)/ Fk } = n(i), E {n(k + i)nT(k + j)/fk } для всех k, i, j. Данные предположения означают стационарность процесса n(k).

Теорема 2. Пусть существует положительно определенное решение Sда уравнения

Sда = Ä + ATSда A - Ц2 [Г22 + Ä ]-1 (Ц2 )T, (19)

где

= AT Sда E {B[n(k + m - /), k + m -1 ]/ fk+m+1},

(20)

Z22 = E {bt [n(k + m -1), k + m - l]S00 B[n(k + m -1), k + m -1 ]/ fk++1}.

Тогда оптимальный закон управления с замкнутой обратной связью, минимизирующий критерий (18) на бесконечном горизонте управления, является стабилизирующим и имеет вид

u opt(k) = -Kда x(k) = -[ L22 + ä ]-1 Z°2 x(k). (21)

Доказательство. Предположим, что существует положительно определенное решение Sдауравнения (19). Положим Ä1 = Sда. Критерий (18) в момент времени k = 0 имеет вид

m-1 . m-1 .

J(m / 0) = £E{xT(i)Ä1 x(i) + xT(m)Sдаx(m) / x(0),f0} + £E{uT(i /0)Äu(i /0) / x(0),f0}. (22)

i=1 i=0

Так как Sда определяется из решения уравнения (19), то согласно теореме 1 оптимальное значение критерия (22) при любом m (в том числе при m = да) определяется выражением

Jopt (да /0) = xT(0) [ Sда- Ä ] x(0).

Поскольку матрица Sда - Ä1 неотрицательно определенная и имеет ограниченные элементы, то очевидно, что значение критерия Jopt (да /0) - конечная величина.

Таким образом, последовательности E{xT (k)Ä1x(k) / x(0), Fq }, E{uT (k)Äu(k) / x(0), Fq } при оптимальном управлении являются бесконечными последовательностями с конечными суммами, откуда следует, что

lim E {xT(k)Ä1x(k)/ x(0), f0} = 0,

k ^да

lim E {u T(k)Äu (k)/ x(0), f0} = 0.

k ^да

Так как Ä1, Ä > 0, то x(k),u(k) ^ 0 при k ^да в средне-квадратическом смысле, что доказывает стабилизируемость закона управления.

Для доказательства (21) получим оптимальный закон управления при Ä1=S . Используя Теорему 1, нетрудно показать, что оптимальный закон управления с замкнутой обратной связью для любого m (в том числе для m = да) имеет вид

uopt (k) = -Kда x(k) = -[ Г22 +Ä ]-1 Ц2 x(k). (23)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Тогда можно утверждать, что для случая m = да закон управления (23) оптимален для любой положительно определенной матрицы Ä1, так как

lim E{xT (k + m)Ä1x(k + m) / x(0), f0} = 0.

Заключение

Получены уравнения синтеза стратегий прогнозирующего управления с замкнутой обратной связью для стохастических систем со случайными зависимыми параметрами, относительно которых предполагаются известными только условные первые и вторые моменты распределений. Получены достаточные условия устойчивости оптимального закона управления на бесконечном горизонте.

Отметим, что предложенный подход без принципиальных затруднений может быть обобщен на следующие случаи:

- когда матрица A в уравнении (1) зависит от времени;

- когда уравнение (1) содержит аддитивные шумы с характеристиками, зависящими от вектора параметров п;

- когда матрица A в уравнении (1) зависит от последовательности независимых случайных параметров, не коррелированных с вектором параметров п.

ЛИТЕРАТУРА

1. Домбровский В.В. Ляшенко Е.А. Линейно-квадратичное управление дискретными системами со случайными параметрами и

мультипликативными шумами с применением к оптимизации инвестиционного портфеля // А и Т. 2003. № 10. С. 50 - 65.

2. Fisher S., Bhattacharya R. Linear quadratic regulation of systems with stochastic parameter uncertainties // Automatica. 2009. No. 45.

P. 2831-2841.

3. Ghaoui E.L. State-feedback control of systems with multiplicative noise via linear matrix inequalities // Syst. Control Letters. 1995.

V. 24. P. 223-228.

4. Dragan V., Morozan T. The Linear Quadratic Optimization Problems for a Class of Linear Stochastic Systems With Multiplicative

White Noise and Markovian Jumping // IEEE Transactions on Automatic Control. 2004. V. 49, No 5. P. 665-675.

5. Домбровский В.В., Объедко Т.Ю. Управление с прогнозированием системами с марковскими скачками при ограничениях и

применение к оптимизации инвестиционного портфеля // Автоматика и телемеханика. 2011. № 5. С. 96-112.

6. Lee J.H., Cooly B.L. Optimal feedback control strategies for state-space systems with stochastic parameters // IEEE Transactions on

Automatic Control. 1998. V. 43, No. 10. P. 1469-1475.

7. Домбровский В. В., Домбровский Д. В., Ляшенко Е. А. Управление с прогнозированием системами со случайными парамет-

рами и мультипликативными шумами и применение к оптимизации инвестиционного портфеля // А и Т. 2005. № 4. С. 8497.

8. Домбровский В.В., Домбровский Д.В., Ляшенко Е.А. Управление с прогнозированием системами со случайными зависимы-

ми параметрами при ограничениях и применение к оптимизации инвестиционного портфеля // А и Т. 2006. № 12. С. 71-85.

9. Dombrovskii V., Obedko T. Model predictive control for constrained systems with serially correlated stochastic parameters and port-

folio optimization // Automatica. 2015. V. 54. P. 325-331.

10. Mayne D.Q. Model predictive control: Recent developments and future promise // Automatica. 2014. V. 50. P. 2967-2986.

Домбровский Владимир Валентинович, д-р техн. наук, профессор. E-mail: [email protected] Объедко Татьяна Юрьевна, канд. физ.-мат. наук. E-mail: [email protected] Самородова Мария Владимировна. E-mail: [email protected] Национальный исследовательский Томский государственный университет

Поступила в редакцию 22 декабря 2016 г.

Dombrovskii Vladimir V., Obedko Tatiana Y., Samorodova Mariya V. (National Research Tomsk State University, Russian Federation). The closed-loop optimal feedback model predictive control policy for systems with stochastic correlated parameters.

Keywords: model predictive control; closed-loop feedback control; correlated parameters.

DOI: 10.17223/19988605/39/2

We consider the following discrete-time with stochastic parameters system on the probabilistic space (Q, F ,P):

x(k +1) = Ax(k) + B[n(k +1), k + 1]u(k), (1)

where x(k) e Kn* is the vector of state, u(k) e Kn" is the vector of control inputs; n(k) e Кq is assumed to be stochastic time series. The matrices A e Кnx xnx, B [п (k), k] e К x u are the system matrix and the input matrix, respectively. All the elements of B[n(k),k]

are assumed to be linear functions of n(k).

Let F =( Fk )k>i be the complete filtration with a-field Fk generated by the {n(s): s=0,1,2,... ,k} that models the flow of information to time k. We allow the time series n(k) is serially correlated. Let assume that we know the first- and the second-order conditional moments for the stochastic vector n(k) about Fk :

E {n(k + i)/ Fk } = + i), E {n(k + i)nT (k + j)/ Fk } = ©i, (k ),(k = 0,1,2,...),(i, j = 1,2,..., /). We define the following cost function with receding horizon, which is to be minimized at every time k

J(k + m / k) = E jfj xT (k + i)R1(k,i)x(k + i) + uT (k + i -1/ k)R(k,i)u(k + i -1/ k) / x(k), Fk |, (2)

on trajectories of system (1) over the sequence of predictive control inputs u(k/k),..,,u(k+m-1/k) dependent on information up to time k, where R\(k,i) > 0, R(k,i) > 0 are given symmetric weight matrices of corresponding dimensions; m is the prediction horizon.

The closed-loop optimal feedback law minimizing criterion (2) was derived via dynamic programming. Conditions that guarantee the stability of the infinite horizon formulation are given.

REFERENCES

1. Dombrovskii, V.V. & Lyashenko E.A. (2003) A linear quadratic control for discrete systems with random parameters and multiplica-

tive noise and its application to investment portfolio optimization. Automation and remote control. 64(10). pp. 1558-1570. DOI: 10.1023/A:1026057305653

2. Fisher, S. & Bhattacharya, R. (2009) Linear quadratic regulation of systems with stochastic parameter uncertainties. Automatica. 45.

pp. 2831-2841. DOI: 10.1016/j.automatica.2009.10.001

3. Ghaoui, E.L. (1995) State-feedback control of systems with multiplicative noise via linear matrix inequalities. Syst. Control Letters.

24. pp. 223-228.

4. Dragan, V. & Morozan, T. (2004) The Linear Quadratic Optimization Problems for a Class of Linear Stochastic Systems with Multi-

plicative White Noise and Markovian Jumping. IEEE Transactions on Automatic Control. 49(5). pp. 665-675. DOI: 10.1109/TAC.2004.837750

5. Dombrovskii, V.V. & Obedko, T.Yu. (2011) Predictive control of systems with Markovian jumps under constraints and its application to the investment portfolio optimization. Automation and Remote Control. 72(5), pp. 989-1003. DOI: 10.1134/S0005117911050079

6. Lee, J.H. & Cooly, B.L. (1998) Optimal feedback control strategies for state-space systems with stochastic parameters. IEEE Transactions on Automatic Control. 43(10). pp. 1469-1475. DOI: 10.1109/9.720511

7. Dombrovskii, V.V., Dombrovskii, D.V. & Lyashenko E.A. (2005) Predictive control of random-parameter systems with multiplica-

tive noise. Application to investment portfolio optimization. Automation and remote control. 66(4). pp. 583-595. DOI: 10.1007/s10513-005-0102-5

8. Dombrovskii, V.V., Dombrovskii, D.V. & Lyashenko, E.A. ( 2006) Model predictive control of systems with random dependent pa-

rameters under constraints and its application to the investment portfolio optimization. Automation and remote control. 67(12). pp. 1927-1939. DOI: 10.1134/S000511790612006X

9. Dombrovskii, V. & Obedko, T. (2015) Model predictive control for constrained systems with serially correlated stochastic parameters

and portfolio optimization. Automatica. 54. pp. 325-331. DOI: 10.1016/j.automatica.2015.02.021

10. Mayne, D.Q. (2014) Model predictive control: Recent developments and future promise. Automatica. 50. pp. 2967-2986. DOI: 10.1016/j.automatica.2014.10.128

i Надоели баннеры? Вы всегда можете отключить рекламу.