消除数据驱动预测控制中正则化权重调参方法的比较
系统与控制
2023-05-02 v1 系统与控制
摘要
数据驱动预测控制（DeePC）是基于行为系统理论近年确立的一种模型预测控制（MPC）形式。尽管它免除了显式辨识模型的需要，但仍需附加正则化及相应权重以在含噪数据下良好运行。该权重的调参并非易事，且对性能有显著影响。本文比较了 DeePC 的三种重构形式，它们要么消除正则化，要么将调参简化为平凡点。建筑仿真研究表明三种 DeePC 重构形式性能相当。然而，带黑箱模型的常规 MPC 略优于它们，且求解快得多，并给出更平滑的最优轨迹。两种 DeePC 变体还表现出对未观测偏置输入噪声的敏感性，而常规 MPC 中不存在此问题。
引用
@article{arxiv.2305.00807,
title = {A comparison of methods to eliminate regularization weight tuning from data-enabled predictive control},
author = {Manuel Koch and Colin N. Jones},
journal= {arXiv preprint arXiv:2305.00807},
year = {2023}
}
备注
Submitted to CDC 2023