.png){kind=icon}
返回
Decentralized Self-Triggered Learning Control for Constrained Large-Scale Networked Systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cnsns.2026.110803.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对存在非对称输入约束的大规模网络化系统（LSNSs），提出了一种集成强化学习的分散式自触发控制策略。为减轻通信和计算的双重负担，开发了一种新颖的分散式动态自触发机制（DDSTM），以主动确定后续触发时刻，并保证排除Zeno现象。与常规事件触发控制相比，DDSTM不再需要嵌入式硬件持续监控触发条件。此外，利用仅含评价网络的神经网络来逼近融合了非对称约束特征和互联上界的非二次最优成本函数。在所提方案下，所有辅助子系统的状态和评价网络权重逼近误差均保证为一致最终有界。最后，通过涉及互联化学反应器和由一百个子系统组成的大规模网络化系统的两个仿真示例，验证了所开发算法的有效性和实用性。
期刊
IF:
3.8
论文数:
9.4K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Event-Triggered Local Control for Nonlinear Interconnected Systems Through Particle Swarm Optimization-Based Adaptive Dynamic Programming基于粒子群优化的自适应动态规划的非线性关联系统的事件触发本地控制
PREAI
分享收藏Event-Triggered Output Feedback Control for a Class of Nonlinear Systems via Disturbance Observer and Adaptive Dynamic Programming基于扰动观测器和自适应动态规划的一类非线性系统事件触发输出反馈控制
PREAI
分享收藏
查看更多内容