Core Concepts
本文研究了使用基于矩的模糊集来建模未知不确定性的分布鲁棒(DR)随机模型预测控制(SMPC)的保守性和后悔。通过比较确定性约束加紧,以及在不知道随机不确定性确切分布时采用DR方法与知道时的最优加紧之间的差异,量化了保守性。此外,通过比较在已知和未知随机不确定性分布下的表现来量化次优差距和后悔。
Abstract
作者介绍了对于操作受到未知兴趣量影响的控制算法进行后悔分析。
分析了基于矩的模糊集对比完全通晓真实不确定性分布的控制器。
提出了DR SMPC问题,并展示了其特征。
论文结构包括介绍、保守性与后悔分析、数值仿真以及结论部分。
引入符号表示方式,如R为实数集合,N为自然数集合等。
讨论了约束加紧和后悔在DR SMPC中的重要性。
Introduction:
作者讨论了对于操作受到未知兴趣量影响的控制算法进行后悔分析。
Regret Analysis:
研究了基于矩的模糊集对比完全通晓真实不确定性分布的控制器。
提出并定义了保守性和后悔这两个关键概念。
DR SMPC Problem Formulation:
作者提出并解释了带有联合机会约束条件的DR SMPC问题。
System Dynamics & Constraints:
介绍了具体系统动力学和约束条件。
The DR SMPC Problem:
给出并解释了DR SMPC问题及其相关约束条件。
Conservatism & Regret Analyses:
详细讨论了保守性和后悔方面的分析。
Further Sections:
包括数值仿真以及结论部分。