强化学习用于强大的动态事件驱动受约束控制

科学领域:

• 控制系统工程 控制系统工程
• 非线性动力学是一种非线性动力学.
• 人工智能在控制中

背景情况:

• 非线性系统经常面临着与无可匹配的扰动和未知的挑战,不对称/对称的输入约束.
• 在这种复杂的条件下,现有的控制方法可能会在计算负载和稳定性方面扎.
• 事件驱动控制 (EDC) 提供了一种有前途的方法,可以通过在必要时触发控制更新来减少计算负担.

研究的目的:

• 为具有无匹配扰动和未知的输入约束的非线性系统开发一个强大的动态事件驱动控制 (EDC) 策略.
• 通过一种新的动态事件触发机制来降低控制系统的计算负载.
• 在具有挑战性的条件下确保闭环系统的稳定性和强度.

主要方法:

• 为受约束的辅助系统构建一个新的非二次性成本函数,以处理对称或不对称的输入约束.
• 关于使用基于时间的变量和系统状态的动态事件触发机制的建议.
• 在强化学习框架内使用关键神经网络 (CNN) 开发和解决事件驱动的汉密尔顿-雅各比-贝尔曼方程,并将体验重复纳入放松激发条件.
• 利亚普诺夫的闭环辅助系统稳定性分析方法和重量估计错误.

主要成果:

• 证明了通过解决辅助系统的事件驱动最佳控制问题,可以实现原始系统的强大的动态EDC.
• 验证了闭环辅助系统的统一终极边界稳定性和重量估计错误.
• 成功地将该方法应用于非线性工厂和摆形系统,证实了理论上的说法.

结论:

• 拟议的强大的动态EDC策略有效地处理具有无与伦比的扰动和复杂输入约束的非线性系统.
• 动态事件触发机制可显著降低计算负载,同时保持系统稳定性.
• 强化学习中的批判神经网络方法为解决复杂的控制问题提供了可行的解决方案.