본 연구에서는 결정론적 시스템을 위한 무한 시계열 최적 제어 문제를 다룹니다. 정확한 해를 구하기 어려운 이러한 문제에 대해, 병렬 모델 예측 제어 방법을 제안하여 근사 해를 제공합니다. 이 방법은 각 시간마다 다양한 예측 단계 수와 종단 비용 및 제약 조건을 가진 여러 개의 예측 최소화 문제를 병렬로 계산하고, 그 중 가장 낮은 비용의 문제에 해당하는 제어 입력을 적용합니다. 이를 통해 단일 예측 최소화 문제를 사용하는 기존 모델 예측 제어 방법보다 향상된 성능 보장을 제공합니다.
제약 정보를 활용하여 궤적 최적화 문제의 초기 추정치를 생성함으로써 온라인 최적화 문제 해결 시간을 단축할 수 있다.
안정적인 폐루프 동역학을 두 개의 행렬(스텝 크기 또는 방향 행렬 및 Lyapunov 비용 함수의 값 행렬)의 함수로 새롭게 표현함으로써, 피드백 제어 법칙을 분석하고 설계하기 위한 새로운 프레임워크를 제공한다.
비선형 시스템의 출력 피드백 제어를 위해 측정값과 시스템 동역학을 활용하여 암시적으로 실행 가능한 상태 공간을 정의하고, 이를 바탕으로 성능 최적화와 제약 조건 만족을 보장하는 출력 피드백 제어 전략을 제안한다.
무향 변환을 사용하여 최적 궤적을 생성하는 것은 타이케스틱 최적 제어 이론의 빠른 구현이다. 이 방법은 브라운 운동과 이토 미분법의 사용을 피하면서도 전체 문제 정식화에 걸쳐 무작위 변수를 사용할 수 있다.
본 논문은 에너지 관리 및 에코 드라이빙 문제를 위한 볼록 최적화 프레임워크를 제시한다. 이 프레임워크에서 다양한 에너지 관리 및 에코 드라이빙 문제를 선형 비용 함수와 선형 동역학, 비선형 제약식으로 모델링할 수 있다. 또한 이러한 비선형 제약식을 볼록 완화하여 효율적으로 전역 최적해를 구할 수 있음을 보인다.
신경망 ODEs를 활용하여 시간 최적 행성간 이동 및 질량 최적 착륙을 위한 유도 및 제어 네트워크의 정확도를 향상시킬 수 있다.
선형 2차 최적제어 문제에서 목적 함수가 CJS-PL 조건을 만족하면, 교란이 있는 경우에도 시스템이 작은 교란 입력-상태 안정성을 가진다.
추격자-표적 할당 문제를 효율적으로 해결하기 위해 신경망 기반 함수 근사 기법을 제안한다. 이를 통해 실시간으로 할당 문제를 해결할 수 있다.
동적 환경에서 발생하는 시간 변화에 따른 시나리오 생성 분포의 변화를 고려하여, 기회 제약 최적화 문제의 최적 해에 대한 위반 확률 보장을 위한 샘플 복잡도를 분석하였다.