本文研究了多层神经网络在控制方面的应用，特别是在连续高维动作任务中，通过强化学习训练后实现了控制策略，结果表明可以成功训练具有成千上万个参数的神经网络控制器，并比较了各种不同结构。文章讨论了这一问题与以往有监督知觉任务的区别，呈现了实验结果，并讨论了将深度学习技术应用于控制问题优化的未来方向。

Nov, 2013

本文介绍使用凸神经网络实现模型精确度和控制可行性之间的平衡，通过设计凸性的循环神经网络来捕获动态系统的时态行为，并且可以通过解决凸问题来实现最优控制器。实验结果表明，该方法在控制应用中具有良好的潜力。

May, 2018

本文研究了使用合理神经网络控制理论，针对神经反馈环的鲁棒性问题，设计了合理激活函数，并构建了一个内在可凸性结构的合理神经网络，通过对 Sum of Squares 可行性测试进行优化，成功实现了对具有非线性噪声和参数不确定性植物的神经反馈环的稳定化控制

Jul, 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

本研究论文采用多任务神经网络的有效解法，通过数值实验，证明其在处理实际金融衍生品定价问题上优于现有方法。

Jan, 2024

我们考虑从有限数量的（状态 - 输入）- 后继状态数据点中设计一种基于机器学习的未知动态系统模型的问题，以便获得的模型也适用于最优控制设计。我们提出了一种特定的神经网络（NN）结构，其产生具有分段仿射动力学的混合系统，对网络参数具有可微性，从而使得能够使用基于导数的训练过程。我们展示了对 NN 权重的精心选择产生具有结构特性的混合系统模型，在有限视野最优控制问题（OCP）的计算方面具有非常有利条件。具体而言，我们表明可以通过非线性规划计算具有强大局部最优性保证的最优解，与通常需要混合整数优化的一般混合系统的经典 OCP 相比。除了非常适用于最优控制设计外，数值模拟还说明我们基于 NN 的技术在混合系统的系统识别方法方面具有非常类似的性能，并且在非线性基准测试中具有竞争力。

Apr, 2024

该研究提出了一种多目标进化神经网络方法，用于开发群体机器人的控制器。该方法通过低保真度的 Python 模拟器训练群体机器人控制器，然后在高保真度的 Webots 模拟环境中进行测试。结果表明，该方法可以有效控制每个机器人，且控制器具有可扩展性，而且不需要进一步重新训练。

Jul, 2023

本文提出了一种直接基于数据驱动的控制器调整方法，利用数字孪生来产生输入 - 输出数据和适当的控制器，并使用先进的神经网络架构学习控制器调整规则，从而对控制器进行重新校准，将控制工程师的角色实际上用机器学习模型代替。

Nov, 2023

通过蒙特卡洛采样的深度学习方法，将高维随机控制问题的时间依赖控制近似为前馈神经网络，用作控制问题的目标函数，经测试，该方法可以处理高维度问题并且具有令人满意的准确性。

Nov, 2016

本研究显示，采用具有修正线性单元作为激活函数的人工神经网络可以精确表示由线性时不变系统的模型预测控制的分段仿射函数。在神经网络中使用更深的网络具有特别的吸引力，因为它们可以表示比只有一个隐藏层的网络多指数个仿射区域。本研究提出了理论界限，用于决定一个神经网络必须具有的最小隐藏层数和每层神经元数，才能精确表示给定的模型预测控制规律。本方法具有成为预测控制规律的近似方法的强大潜力，可导致更好的近似质量和比以前的方法显著更小的内存需求，如模拟实例所示。我们还提出了不同的替代方案来校正或量化近似误差。由于在线评估神经网络非常简单，因此可以在存储容量较小的低功耗嵌入式设备上部署近似控制器，从而实现具有有限计算能力的复杂物理系统的先进决策制定策略。

Jun, 2018