基于约束贝叶斯优化的不确定性下模型预测控制数据驱动自动整定方法
系统与控制
2020-11-25 v1 系统与控制
摘要
模型预测控制器（MPC）的闭环性能对预测模型的选择、控制器形式以及整定参数十分敏感。然而，预测模型通常针对预测精度而非性能进行优化，且 MPC 整定通常靠人工完成以满足（概率）约束。本工作中，我们展示了一种在不确定性下自动整定 MPC 的通用方法。具体而言，我们将自动整定问题表述为一个可用无导数优化处理的约束黑盒优化问题。我们依赖贝叶斯优化（BO）的约束变体来求解 MPC 整定问题，该变体可直接处理带噪声且评估代价高昂的函数。所提自动整定方法的优势在一个基准连续搅拌釜式反应器实例上得到了验证。
引用
@article{arxiv.2011.11841,
title = {A Data-Driven Automatic Tuning Method for MPC under Uncertainty using Constrained Bayesian Optimization},
author = {Farshud Sorourifar and Georgios Makrygirgos and Ali Mesbah and Joel A. Paulson},
journal= {arXiv preprint arXiv:2011.11841},
year = {2020}
}
备注
Submitted to 11th IFAC Symposium on Advanced Control of Chemical Processes