Core Concepts
Wir entwickeln eine neuronale Netzwerk-basierte Methode, um ein hybrides System mit stückweise-affinen Dynamiken aus verfügbaren Daten zu identifizieren, das für die Entwicklung optimaler Steuerungen geeignet ist.
Abstract
Der Artikel befasst sich mit dem Problem, ein Modell eines unbekannten dynamischen Systems aus einer endlichen Anzahl von (Zustand-Eingabe)-Nachfolgezustand-Datenpunkten zu entwerfen, so dass das erhaltene Modell auch für die Entwicklung optimaler Steuerungen geeignet ist.
Dazu schlagen die Autoren eine spezielle neuronale Netzwerk-Architektur vor, die ein hybrides System mit stückweise-affinen Dynamiken ergibt, das in Bezug auf die Netzwerkparameter differenzierbar ist. Dies ermöglicht den Einsatz von ableitungsbasierten Trainingsverfahren.
Die Autoren zeigen, dass eine sorgfältige Wahl der Netzwerkgewichte ein hybrides Systemmodell mit Struktureigenschaften ergibt, die für die Verwendung in einem endlichen Horizont-Optimierungsproblem sehr vorteilhaft sind. Insbesondere können optimale Lösungen mit starken lokalen Optimalitätsgarantien durch nichtlineare Programmierung berechnet werden, im Gegensatz zu klassischen Optimierungsproblemen für allgemeine hybride Systeme, die in der Regel gemischt-ganzzahlige Optimierung erfordern.
Zusätzlich zu ihrer Eignung für die optimale Steuerungsauslegung zeigen numerische Simulationen, dass die vorgeschlagene neuronale Netzwerk-basierte Technik eine sehr ähnliche Leistung wie der Stand der Technik bei der Identifikation hybrider Systeme aufweist und auch bei nichtlinearen Benchmarks konkurrenzfähig ist.
Stats
Die Identifikation hybrider Modelle ist im Allgemeinen NP-schwer.
Die vorgeschlagene neuronale Netzwerk-basierte Technik hat eine sehr ähnliche Leistung wie der Stand der Technik bei der Identifikation hybrider Systeme.
Die vorgeschlagene Technik ist auch bei nichtlinearen Benchmarks konkurrenzfähig.
Quotes
Keine relevanten Zitate identifiziert.