English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Tools annual

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Presents the access of premium content as premium feature

Premium Content

Global: Zendy Plus annual

Global: Zendy Free Plan

This paper considers the use of Model-Free Adaptive Control (MFAC) for the Continuously Stirred Tank Reactor, a nonlinear system working with and without disturbances. Finding the optimal set of MFAC parameters is still a complex open problem that may be subject to multiple conflicting requirements. However, only a small number of approaches proposed in the literature consider this adjustment task as a multi-objective problem. Using a Multi-objective Evolutionary Algorithm (MOEA) seems to be an appropriate approach to adjust the MFAC. However, MOEA convergence time is an essential feature to make it viable for application in the systems control. Therefore, in this paper, we use the Gaussian Process Regression-based Evolutionary Algorithm (GPR-EA). GPR-EA considers past generations to establish trends in population movement and thus find the approximate Pareto front more quickly. Simulations illustrate the effectiveness and efficiency of the MFAC with the tuning performed with GPR-EA. Resumo: Este artigo considera o emprego do Controle Adaptativo Livre de Modelo (MFAC) para o Reator Tanque Agitado Cont́ınuo, um sistema não-linear atuando com e sem distúrbios. Encontrar o conjunto ótimo de parâmetros do MFAC é um problema complexo em aberto, que pode estar sujeito a múltiplos requisitos conflitantes. Contudo, apenas um pequeno número das abordagens propostas na literatura consideram esta tarefa de ajuste como um problema multiobjetivo. Usar um Algoritmo Evolucionário Multiobjetivo (MOEA) parece ser uma abordagem adequada para ajustar o MFAC. No entanto, o tempo de convergência do MOEA é um elemento essencial para seu emprego em controle de sistemas. Por esse motivo, neste trabalho usamos o MOEA Gaussian Process Regression-based Evolutionary Algorithm (GPR-EA). GPR-EA considera as gerações passadas para estabelecer tendências no movimento populacional e, assim, encontrar mais rapidamente a frente de Pareto aproximada. A eficácia e eficiência do controle MFAC com o ajuste realizado com o GPR-EA é ilustrada por simulações.

Adaptação Paramétrica Evolucionária no Controle Adaptativo Livre de Modelo