.png){kind=icon}
返回
Distributed Q-Learning Model Predictive Control Based on ADMM for continuous nonlinear systems
.png){kind=icon}
OA
AI
DOI：10.1016/j.dche.2025.100257.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于分布式Q-Learning的模型预测控制（MPC）方法，该方法整合了交替方向乘子法（ADMM），旨在提高基于强化学习的MPC算法的计算效率。具体而言，该方法将MPC优化问题转化为多个子优化问题，其中各子系统的动态特性相互独立，通过引入中间变量和相应的等式约束，适合采用ADMM进行求解。算法迭代求解各子优化目标的最优输入，并更新全局值函数。对所提出的分布式Q-Learning算法的收敛性进行了分析。在方法实现中采用了Actor-Critic网络结构。仿真结果表明，所提出的分布式Q-Learning算法在求解优化问题时所需的步数更少，计算时间更低。
Keyword:
Q-learning
Distributed Model Predictive Control
Lyapunov-based MPC
Artificial neural network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
162
被引数:
606
机构
引用论文
.png){kind=icon}
Autonomous Vehicle Platoons in Urban Road Networks: A Joint Distributed Reinforcement Learning and Model Predictive Control Approach城市道路网络中的自动车辆队列: 联合分布式强化学习和模型预测控制方法
PREAI
分享收藏Enhanced information reconfiguration for distributed model predictive control for cyber-physical networked systems用于信息物理网络系统的分布式模型预测控制的增强信息重新配置
PREAI
分享收藏Robust Dynamic Bus Control: A Distributional Multi-Agent Reinforcement Learning Approach鲁棒动态总线控制: 一种分布式多智能体强化学习方法
OAAI
OAAI分享收藏Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers通过乘数的交替方向方法进行分布式优化和统计学习OAAI
OAAI分享收藏
查看更多内容