在安全约束和干扰下进行最佳控制:一个多步骤的,政策之外的自适应动态编程方法

科学领域:

• 机器人和控制系统 机器人和控制系统
• 人工智能的人工智能
• 优化理论 优化理论

背景情况:

• 最佳控制问题往往涉及复杂的动态和安全要求.
• 传统方法与干扰作斗争,并确保约束满足.
• 准确的绩效估计至关重要,但在不确定性下具有挑战性.

研究的目的:

• 引入一个强大的多步骤,政策之外的自适应动态编程 (ADP) 方法,以实现最佳控制.
• 应对外部干扰和关键安全限制所带来的挑战.
• 提高性能函数估计的准确性,并确保安全性能权衡.

主要方法:

• 开发了非政策自适应动态编程的无模型和基于模型的变体.
• 员工间隔培训和先前的模型,以减轻政策评估中的低估.
• 利用双关键神经网络来抵消终端性能功能低估.
• 将政策改进转化为具有安全功能的受约束优化任务.
• 设计了一个演员-关键-干扰框架,用于在零和游戏中处理安全约束.

主要成果:

• 提出的方法在解决干扰和安全限制的最佳控制问题方面表现出有效性.
• 理论分析证实了自适应动态编程方法的融合特性.
• 模拟结果和实践实验验证了该方法的性能和安全性.

结论:

• 多步骤的,政策之外的自适应动态编程方法为复杂的最佳控制场景提供了可行的解决方案.
• 双重批评者的整合和行为者-批评者-干扰框架提高了安全性和性能.
• 该方法在需要安全和高效控制的现实应用中显示出显著的希望.