神经网络支持下的模型预测控制实现无法匹配的不确定性缓解
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
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
本研究介绍了一种学习基础的模型预测控制 (LBMPC) 方案,在提高系统性能的同时提供稳健性的确定性保证。该方案利用统计识别工具识别系统的更丰富模型,通过维护两个模型,可以在一个优化框架中将安全性和性能隔离。LBMPC 通过选择最小化成本的输入来提高性能,并通过检查模糊模型稳定性来确保安全性和鲁棒性。此外,我们证明如果系统充分兴奋,则 LBMPC 控制行动以概率收敛为使用真实动力学计算的 MPC 的行动。
Jul, 2011
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。
Apr, 2023
用隐式神经网络准确表示具有二次成本和线性约束的线性系统的模型预测控制,并引入一种将隐式神经网络解开为显式网络的方法,这些结果强调了隐式神经网络表示优化问题解决方案的能力,因为这些问题本身是隐式定义的函数。
Apr, 2024
本文提出了基于样本的 LMPC 控制器,该控制器适用于受到有界添加干扰的约束不确定线性系统。我们介绍了安全集与价值函数的设计,用于保证安全性和性能改进,并展示了如何使用有噪声的历史数据来近似这些量。数值实例证明了所提出的方法的有效性。我们证明了所提出的 LMPC 能够安全地探索状态空间,迭代地改进最坏情况下闭环性能,同时稳健地满足状态和输入约束。
Apr, 2019
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
利用神经网络作为预测模型来解决具有不确定性的动力系统的轨迹跟踪问题,并通过混合整数线性规划方法提供了整体系统的安全保证。
Dec, 2023