Control Óptimo Inverso en ConjuncióN Con Aprendizaje por Refuerzo Inverso para Sistemas de Parámetros Distribuidos

Área de la Ciencia:

• Ingeniería de Sistemas de Control
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• Las políticas de control óptimo pueden tener un rendimiento deficiente en sistemas de parámetros distribuidos (DPS) del mundo real debido al sesgo del modelo.
• Las matrices de peso de recompensa predefinidas pueden provocar una degradación del rendimiento en los procesos de control óptimo.

Objetivo del estudio:

• Diseñar una estrategia de control óptimo inverso (IOC) para DPS con parámetros dinámicos desconocidos.
• Abordar el desafío de transferir políticas de control óptimo a sistemas del mundo real utilizando el aprendizaje del comportamiento humano (HBL).
• Superar los problemas de degradación del rendimiento causados por matrices de peso de recompensa fijas.

Principales métodos:

• Se utilizó el aprendizaje del comportamiento humano (HBL) para transferir estrategias óptimas de sistemas de referencia a DPS del mundo real.
• Se empleó el algoritmo de iteración de políticas de aprendizaje por refuerzo inverso (IRL) para IOC en sistemas de referencia.
• Se resolvieron las matrices de peso de recompensa equivalentes y las ganancias de control óptimo de los sistemas de referencia.

Principales resultados:

• Se transfirieron con éxito estrategias de control óptimo a DPS con parámetros desconocidos.
• Se desarrolló un método para derivar matrices de peso de recompensa y ganancias de control a través de IRL.
• Se demostró la efectividad y superioridad de los algoritmos propuestos a través de simulaciones.

Conclusiones:

• El diseño IOC propuesto maneja eficazmente parámetros dinámicos desconocidos en DPS.
• HBL permite la transferencia robusta de políticas de control óptimo, mitigando el sesgo del modelo.
• El enfoque basado en IRL determina con éxito las funciones de recompensa y las ganancias de control, mejorando el rendimiento del sistema.