Control adaptativo de aprendizaje de crítica descentralizado disparado por eventos para sistemas interconectados con...

Área de la Ciencia:

• Ingeniería de Sistemas de Control
• Inteligencia Artificial
• Dinámica No Lineal

Sus antecedentes:

• Los sistemas interconectados a menudo enfrentan complejas restricciones de estado no lineal.
• Las estrategias de control descentralizado son cruciales para gestionar sistemas a gran escala.
• El aprendizaje de crítica adaptativa (ACL) ofrece un marco potente para el control óptimo.

Objetivo del estudio:

• Proponer un método de control adaptativo de aprendizaje de crítica (ACL) descentralizado y disparado por eventos.
• Manejar restricciones de estado de desigualdad no lineal en sistemas interconectados.
• Mejorar la eficiencia computacional y de comunicación.

Principales métodos:

• Transformación de restricciones de desigualdad no lineal en restricciones de igualdad utilizando funciones de holgura.
• Desarrollo de leyes de control descentralizadas a través de la iteración de políticas locales y las ecuaciones de Hamilton-Jacobi-Bellman.
• Implementación de un novedoso mecanismo de disparo de eventos para actualizaciones de control eficientes en recursos.

Principales resultados:

• Se derivaron con éxito leyes de control descentralizadas disparadas por eventos para subsistemas aislados.
• Se desarrolló una estrategia de control óptima general para todo el sistema interconectado.
• Se garantizó la acotación última uniforme para el sistema de bucle cerrado y los errores de estimación de pesos de la red neuronal.

Conclusiones:

• El método ACL propuesto, disparado por eventos, gestiona eficazmente las restricciones no lineales en sistemas interconectados.
• El método reduce significativamente la sobrecarga computacional y de comunicación.
• Los resultados de simulación validan la eficacia del enfoque y las garantías de estabilidad.