非線形スイッチ付き相互接続システムの強化学習ベースの前定義性能制御

科学分野:

• 制御理論 制御理論
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• システムダイナミクス システムダイナミクス

背景:

• 非線形スイッチされた相互接続システムは,測定できない状態と複雑なスイッチング行動により,重要な制御課題を提示します.
• 既存の制御方法は,通常,保証された性能とシステムの変異への適応性で苦労します.

研究 の 目的:

• 非線形スイッチ付き相互接続システムの強化学習 (RL) ベースの制御フレームワークを開発する.
• 収束時間と精度を含む,事前に定義されたパフォーマンスメトリックを保証する.
• 計測できない状態とグループ平均滞在時間のスイッチングメカニズムによって引き起こされる課題に対処するために.

主な方法:

• 非線形および相互接続された項を対象としたシステム方程式の再構築,ニューラルネットワーク (NN) によって近似されます.
• 測定できない状態を推定するためのNNベースのスイッチング状態オブザーバーの設計.
• バックステップフレームワークを用いた分散型最適コントローラの開発,コスト関数に統合されたパフォーマンス変換機能.
• 識別子-アクター-クリティカルアーキテクチャによる制御法の近似.
• 最適な制御のためのグループ平均滞在時間ベースの安定性分析の汎用化.

主要な成果:

• 提案された枠組みは,測定できない状態とグループ平均滞在時間の切り替えを効果的に処理します.
• 収束時間と精度は,パラメータ構成を通じてプリセットできます.
• このアプローチは,既存の方法と比較して,拡張性と実用性の向上を示しています.
• シミュレーションの例は,提案されたメソッドの有効性と優越性を検証します.

結論:

• 開発されたRLベースの制御フレームワークは,非線形スイッチ付きの相互接続システムに対して,堅牢で適応可能なソリューションを提供します.
• この方法は,保証されたパフォーマンスを達成し,以前のアプローチの主要な制限を克服します.
• この研究は,正確で信頼性の高い制御を必要とする現実世界のアプリケーションに重要な可能性を秘めています.