通过贝叶斯优化学习模型预测控制参数实现电池快速充电
设计预测控制器以实现闭环性能最优化,同时保持安全和稳定性是具有挑战性的。本文通过在考虑闭环稳定性的情况下,利用受限贝叶斯优化来学习预测控制参数,将成本函数参数化为前馈神经网络,并进行闭环行为和模型 - 过程不匹配的最小化,从而提供了高自由度和有效全局优化实现期望的闭环行为。我们通过学习控制器参数的稳定性约束扩展了这个框架,并利用底层 MPC 的最优值函数作为一个 Lyapunov 候选。模拟结果验证了所提出方法的有效性,突显了其性能和安全能力。
Apr, 2024
提出了一种自适应优化方法,用于调整随机模型预测控制 (MPC) 的超参数,同时基于性能奖励估计转换模型参数的概率分布。用异方差噪声模型开发贝叶斯优化算法来处理超参数和动力学模型参数空间中的噪声变化。试验结果表明我们的方法可以得到更高的累积回报和更稳定的控制器。
Mar, 2022
本文提出了一种自适应 MPC 系统,可以通过利用贝叶斯优化和经典的 EI 获取方法自动估计控制和模型参数,通过机器学习方法用于密度比估计从而实现该控制器在多种有挑战性的机器人操作任务上的鲁棒性。
Mar, 2022
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
该研究发展了一种基于非线性稀疏变分贝叶斯学习的模型预测控制方法,在该方法中通过 NSVB 方法学习模型,利用变分推断来评估预测准确性并对系统不确定性进行必要的修正,以确保输入到状态的稳定性和约束条件的可行性,最后通过 PEMFC 温度控制模型实验证实了 NSVB-MPC 方法的有效性。
Apr, 2024
本研究利用贝叶斯优化方法调整镍锰钴 - 石墨电池的动态参数,对比了梯度下降和粒子群优化方法,结果显示贝叶斯优化方法在平均测试损失上优于梯度下降和粒子群优化方法分别可减少 28.8% 和 5.8%,同时显著降低了测试损失的方差分别为 95.8% 和 72.7%。
May, 2024
基于深度强化学习的多目标贝叶斯优化模型预测控制中,在运行过程中,通过限制强化学习动作空间在安全学习空间内,选择最优离散动作,并根据上下文选择相应的优化权重集合,使得未经训练的强化学习模型表现出安全且最优的性能,实验结果表明,训练后的模型展现了超越 Pareto 前沿的性能。
Feb, 2024
我们通过学习参数分布并在潜在空间中进行控制,提出了一种使用双层优化和正规流参数化分布的模型预测控制方法,旨在克服使用简单似然函数进行采样时出现的性能问题。在模拟机器人任务中,我们证明了该方法比以前的方法具有更好的性能和更少的样本数。
Dec, 2022
在线自动调整 MPC 控制器的方法应用于生态巡航控制系统,并通过使用道路坡度的预览来节约燃料,并且提供了动态规划和反向优化的求解方法以及神经网络的应用验证。
Sep, 2023