Die Studie untersucht die Effektivität von Portfolio zur Verbesserung des automatischen Tunings von datengesteuerten modellprädiktiven Reglern in AutoMPC.
Zunächst wird Portfolio offline aufgebaut, indem für jedes Meta-Datensatz-Modell das optimale Konfiguration ermittelt und in einem Kandidatensatz gespeichert wird. Anschließend wird die Leistung der Kandidatenkonfigurationen auf den Meta-Datensätzen bewertet, um ein Portfolio an vielversprechenden Konfigurationen zu erstellen.
In der Anwendungsphase wird das erstellte Portfolio dann genutzt, um die Bayessche Optimierung in AutoMPC zu initialisieren und zu stabilisieren. Die Experimente auf 11 nichtlinearen Steuerungssimulationsbenchmarks und 1 Unterwasser-Soft-Roboter-Datensatz zeigen, dass Portfolio die Effizienz und Stabilität des Tuningprozesses im Vergleich zur reinen Bayesschen Optimierung deutlich verbessern kann. Portfolio führt zu einer schnelleren Konvergenz des Tunings und ermöglicht die Erzielung besserer Modelle und Regler innerhalb begrenzter Rechenressourcen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Baoyu Li,Wil... at arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.00232.pdfDeeper Inquiries