.png){kind=icon}
返回
Supervised learning for infinite-time nonlinear optimal control via efficient data generation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11071-026-12830-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线最优控制对于提高动态系统的自主性和可靠性至关重要。最近，数据驱动的监督学习已作为一种轻量级范式出现于在线最优控制中，其中控制策略通过高效的神经网络推理进行离线学习并在在线执行。然而，对于无限时间最优控制问题，最优性由渐近收敛而非明确的终端条件表征，这使得现有的数据集生成方法在本质上不可行或效率低下。本文旨在增强监督学习在无限时间非线性最优控制中的应用。我们提出一个综合框架来增强监督学习用于无限时间非线性最优控制。首先，通过分解无限时间问题，我们将最优示例反向生成（BGOE）方法扩展以高效生成最优解。其次，提出一种状态转移矩阵引导的数据生成策略，以实现指定状态区域的均匀覆盖。第三，采用李雅普诺夫稳定的神经网络架构，以保证学习策略的局部稳定性。三个非线性系统的仿真表明，我们的方法实现了有利的平衡，在提高计算效率的同时保持近最优控制性能。源代码可在https://github.com/wong-han/PaperNORC获取。
Keyword:
Optimal control
Infinite-time regulation
Data augmentation
Supervised learning
期刊
IF:
6
论文数:
1.4W
被引数:
4.1W
机构
引用论文
Analysis of Missile Longitudinal Autopilot Based on the State-Dependent Riccati Equation Method
.png){kind=icon}
PREAI
分享收藏Optimal Output Regulation for EV Dynamic Wireless Charging System via Internal Model-Based Control
PREAI
分享收藏
Critic-only based self learning optimal control for continuum robots with unknown disturbances via extended state observer通过扩展状态观测器对具有未知干扰的连续体机器人进行基于仅评论家的自学习最优控制
PREAI
分享收藏分享收藏Uncertain attitude tracking control for QUAV based on interval LQT with states reliability constraints基于区间LQT和状态可靠性约束的QUAV不确定姿态跟踪控制
PREAI
分享收藏Robust Incremental Learning of Approximate Dynamic Programming for Nonlinear Optimal Guidance非线性最优制导中近似动态规划的鲁棒增量学习
PREAI
分享收藏分享收藏
查看更多内容