.png){kind=icon}
返回
Event-Triggered Safe Critic Learning Control via Swarm Intelligence Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3637396.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状态约束的非线性系统，通过将安全评判学习控制（SCLC）框架与事件触发机制相结合，开发了一种事件触发安全评判学习控制（ESCLC）算法。SCLC算法创新性地将控制障碍函数融入安全值函数设计，解决了推导能保证系统安全性的最优控制策略的挑战。在值迭代框架内严格建立了SCLC算法的收敛性，并提出了评估控制策略可接受性的准则。为提升算法在资源受限场景下的应用价值，将事件触发机制融入SCLC框架，从而得到ESCLC算法。在ESCLC算法作用下，所形成的闭环系统被证明是渐近稳定的，并推导出实际值函数的上界，以确保性能下降有界。此外，设计了一种基于粒子群优化的策略改进方法，消除了对系统控制矩阵的依赖。最后，通过扭转摆系统和球杆系统的仿真实验验证了ESCLC算法的有效性。
Keyword:
Asymmetric state constraints
control barrier functions
critic learning control
event-triggered control
nonlinear systems
swarm intelligence optimization
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Control Barrier Function Based Quadratic Programs for Safety Critical Systems用于安全关键系统的基于控制障碍函数的二次程序
OAAI
.png){kind=icon}
OAAI分享收藏
Self-Learning Optimal Regulation for Discrete-Time Nonlinear Systems Under Event-Driven Formulation
PREAI
分享收藏Adaptive dynamic programming for optimal control of discrete-time nonlinear system with state constraints based on control barrier function基于控制障碍函数的离散非线性系统状态约束最优控制的自适应动态规划
PREAI
分享收藏Fully Distributed Consensus of Multiple Euler–Lagrange Systems With Time-Varying Asymmetric Full-State Constraints多欧拉-拉格朗日系统的全分布式约束下的一致性
PREAI
分享收藏
查看更多内容