基于深度神经网络的非线性模型预测控制(MPC)在同质压燃点火(HCCI)燃烧控制方面的实验实施结果良好,具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。
Oct, 2023
该研究论文提出了一种用于动态系统的模型预测控制(MPC)方法,该方法利用深度神经网络(NNs)对系统的非线性和不确定性进行建模,并提出了两种用于解决 MPC 问题的方法:混合整数规划(MIP)方法和线性松弛(LR)方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。
May, 2024
通过解决 MPC 控制器在现实场景下系统识别学习失败的问题,将其转化为部分观察马尔科夫决策过程,通过循环强化学习不断地适应动态模型参数,该论文提出了一种自适应控制算法 (MPC-RRL),最终在 CARLA 模拟器中得出了具有鲁棒性和可靠性的自动驾驶控制效果。
Jan, 2023
本文提出了基于概率模型预测控制(MPC)的基于模型的 RL 框架,以减少与环境的相互作用次数的方法。该方法使用高斯过程学习概率转换模型来减少模型误差的影响,同时使用 MPC 找到最小化预期长期成本的控制序列,以达到在受限环境下使用 RL 的目的。
Jun, 2017
本文提出了一种使用高斯过程回归模型的模型预测控制方法,用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率,并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。
May, 2017
单克隆抗体的持续生产是一个重要的研究领域。本文介绍了两种计算高效的经济模型预测控制(EMPC)实现方法,即 S 型函数逼近方法和修正线性单元(ReLU)逼近方法,同时探讨了深度强化学习方法的应用。这三种方法与传统的切换方法进行了比较,传统方法基于 1%产品突破规则,不涉及优化。
Aug, 2023
本文介绍了一种基于深度学习的模型预测控制算法,利用深度神经网络作为学习基础的预测控制中的甲骨文,通过一个双时间尺度适应机制来估计不匹配的不确定性并且得到了压缩系统的数值试验验证。
Apr, 2023
本研究提出了一种基于神经网络的数据驱动控制算法,以减少建筑物模型识别的成本,通过建筑物能耗和区域温度的动态模型,实现了较高的精度和与默认系统控制器相比的节能和更好的住户舒适度。
Jan, 2020
研究综合模型预测控制(MPC)问题,发现内部预测模型(PM)的精确度提高会自动提高整体的控制器性能。
本论文通过神经网络(NN)的逼近研究模型预测控制(MPC)控制器,以实现快速在线计算,并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述,并证明了与在线优化相比的数量级的计算加速。