基于 Actor-Identifier-Critic 的自适应模型无optimal控制的强化学习
系统与控制
2026-05-29 v2 系统与控制
摘要
控制系统中的数据包丢失是一个关键挑战，因为会显著损害系统性能和稳定性。在这种情况下，经典控制器往往难以提供有效的控制，因为它们依赖于准确的系统模型，而这些模型可能并不存在。本文提出了一种新的 Actor-Identifier-Critic（AIC）控制器，以解决在控制器到执行器和传感器到控制器通道中存在数据包丢失时，非线性系统的模型无跟踪控制。通过使用标识器学习系统动力学，所提出的控制器能够处理通信链路中的数据包丢失，并在模型无控制框架中促进从批评家到演员的梯度传播。在两个非线性 SIMO 和 MIMO 系统以及一个受随机数据包丢失影响的电力系统稳定性案例研究中，Demonstrate了所提出方法的性能。
引用
@article{arxiv.2605.28569,
title = {Actor-Identifier-Critic Reinforcement Learning for Adaptive Model-Free Optimal Control of Nonlinear Systems with Stochastic Packet Dropouts},
author = {Kianoush Aqabakee and Kosar Behnia and Amirhossein Heydarian Ardakani and Farzaneh Abdollahi and Elham Shirazi},
journal= {arXiv preprint arXiv:2605.28569},
year = {2026}
}