为应对当今供应链库存管理面临的牛鞭效应、两时间尺度特性和不确定性干扰等挑战,开发了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的两时间尺度供应链H_(∞)最优控制器。利用奇异摄动理论将原两时间尺...为应对当今供应链库存管理面临的牛鞭效应、两时间尺度特性和不确定性干扰等挑战,开发了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的两时间尺度供应链H_(∞)最优控制器。利用奇异摄动理论将原两时间尺度供应链模型分解为2个具有不同时间尺度的独立子系统;创新性地使用RBFNN在线近似补偿子系统的不确定项,进而采用H_(∞)控制来抑制RBFNN近似误差带来的不确定性。在理论层面上分析证明了所提方法的稳定性。通过一个电视机生产流程仿真案例,验证了所提方法相比2种其他两时间尺度问题解决方法,具有更高的跟踪控制精度和应用可行性。展开更多
文摘为应对当今供应链库存管理面临的牛鞭效应、两时间尺度特性和不确定性干扰等挑战,开发了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的两时间尺度供应链H_(∞)最优控制器。利用奇异摄动理论将原两时间尺度供应链模型分解为2个具有不同时间尺度的独立子系统;创新性地使用RBFNN在线近似补偿子系统的不确定项,进而采用H_(∞)控制来抑制RBFNN近似误差带来的不确定性。在理论层面上分析证明了所提方法的稳定性。通过一个电视机生产流程仿真案例,验证了所提方法相比2种其他两时间尺度问题解决方法,具有更高的跟踪控制精度和应用可行性。
