Conceitos Básicos
본 논문은 유한 개의 (상태-입력)-후속 상태 데이터 포인트로부터 최적 제어 설계에 적합한 모델을 얻기 위한 기계 학습 기반 접근법을 제안한다.
Resumo
이 논문은 유한 개의 (상태-입력)-후속 상태 데이터 포인트로부터 최적 제어 설계에 적합한 모델을 얻기 위한 기계 학습 기반 접근법을 제안한다.
제안된 신경망 아키텍처는 분할 선형 (PWA) 동역학을 가진 하이브리드 시스템을 생성하며, 신경망 매개변수에 대해 미분 가능하다. 이를 통해 미분 기반 학습 절차를 사용할 수 있다.
신경망 가중치를 적절히 선택하면 최적 제어 문제 (OCP)에서 강력한 지역 최적성 보장을 가진 최적 솔루션을 비선형 프로그래밍 (NLP)을 통해 계산할 수 있다. 이는 일반적인 하이브리드 시스템의 OCP에서 혼합 정수 최적화가 필요한 것과 대조된다.
수치 시뮬레이션을 통해 제안된 신경망 기반 기술이 하이브리드 시스템 식별을 위한 최신 방법론과 유사한 성능을 보이며, 비선형 벤치마크에서도 경쟁력이 있음을 보인다.
Estatísticas
최적 제어 문제 (OCP)에서 상태 변수 x와 입력 u의 관계는 다음과 같이 표현된다:
x_t+1 = Ax_t + Bu_t + Bw_w_t + d
0 ≤ E_w w_t + E_x x_t + E_u u_t + e ⊥ w_t ≥ 0
여기서 A, B_u, B_w, E_w, E_x, E_u, d, e는 신경망 Nθ의 학습을 통해 결정되는 계수들이다.
Citações
"본 논문은 유한 개의 (상태-입력)-후속 상태 데이터 포인트로부터 최적 제어 설계에 적합한 모델을 얻기 위한 기계 학습 기반 접근법을 제안한다."
"제안된 신경망 아키텍처는 분할 선형 (PWA) 동역학을 가진 하이브리드 시스템을 생성하며, 신경망 매개변수에 대해 미분 가능하다."
"신경망 가중치를 적절히 선택하면 최적 제어 문제 (OCP)에서 강력한 지역 최적성 보장을 가진 최적 솔루션을 비선형 프로그래밍 (NLP)을 통해 계산할 수 있다."