Синтез субоптимальных робастных регуляторов на основе априорных и экспериментальных данных

Развивается новый подход, позволяющий в едином формате синтезировать субоптимальные робастные законы управления неопределенными объектами при различных критериях на основе априорной информации и экспериментальных данных. Показано, что гарантированные оценки $\gamma_0$-, обобщенной $H_2$- и $H_{\infty}$-норм замкнутой системы и соответствующие субоптимальные робастные законы управления выражаются в терминах решений линейных матричных неравенств, формируемых с учетом априорного знания и данных, полученных при моделировании объекта. Численный пример демонстрирует улучшение качества систем управления при совместном использовании априорных и экспериментальных данных.