反脆弱周界控制：利用强化学习预测并从干扰中获益
系统与控制
2026-03-24 v6 系统与控制
摘要
交通系统的最优运行往往容易受到意外干扰的影响。许多依赖数学模型的既定控制策略难以应对现实世界的干扰，导致其预期效率出现显著偏差。本研究将前沿的反脆弱概念与基于学习的交通控制策略相结合，以优化干扰下的城市道路网络运行。反脆弱系统不仅能承受并从压力源中恢复，还能在此类对抗性事件存在时蓬勃发展并提升性能。通过整合由交通状态导数和冗余组成的反脆弱模块，开发了一种深度强化学习算法。随后，该算法在环形交通网络和真实数据案例研究中进行了评估。令人鼓舞的结果表明，所提出的算法提供了：(i) 卓越的性能，在需求和供应干扰增加的情况下，相比基线实现了高达 27.6% 和 41.9% 的性能提升；(ii) 干扰下较低的分布偏度，证明了其相对于基线的反脆弱性；(iii) 在受现实世界数据可用性限制的可观测性有限情况下的有效性；以及 (iv) 与各种最先进（SOTA）强化学习（RL）框架结合的鲁棒性和可迁移性。所提出的反脆弱方法论具有通用性，并在交通工程之外具有应用潜力，可集成到各学科中暴露于干扰的控制系统中。
引用
@article{arxiv.2402.12665,
title = {Antifragile perimeter control: Anticipating and gaining from disruptions with reinforcement learning},
author = {Linghang Sun and Michail A. Makridis and Alexander Genser and Cristian Axenie and Margherita Grossi and Anastasios Kouvelas},
journal= {arXiv preprint arXiv:2402.12665},
year = {2026}
}
备注
38 pages, 21 figures