基于事件触发的牛顿极值搜索控制

本文提出在基于牛顿的极值搜索的驱动路径中引入静态事件触发控制，并将其与早期的梯度版本进行比较。与连续方法一样，梯度方法的收敛速度取决于待优化非线性映射的未知海森矩阵，而所提出的事件触发牛顿极值搜索消除了这种依赖性，使其可由用户指定。这是通过一个用于估计海森矩阵逆的动态估计器实现的，该估计器被实现为一个黎卡提方程滤波器。应用李雅普诺夫稳定性和非连续系统的平均理论来分析闭环系统。对于标量和静态映射的极值点的一个小邻域，保证了局部指数实用稳定性。数值仿真说明了所提出的方法相对于先前梯度方法的优势，包括提高了收敛速度，随后降低了控制信号的幅度和更新频率。