基于深度强化学习的约束吸引子选择
系统与控制
2020-06-02 v3 机器学习
系统与控制
混沌动力学
摘要
本文描述了一种针对具有约束驱动的非线性动力系统进行吸引子选择（或多稳态控制）的方法。吸引子选择通过两种不同的深度强化学习方法实现：1）交叉熵方法（CEM）和 2）深度确定性策略梯度（DDPG）方法。给出了应用这些控制方法的框架与算法。实验在 Duffing 振子上进行，因为它是一个具有多个吸引子的经典非线性动力系统。两种方法在各种控制约束下均实现了吸引子选择。尽管这些方法的成功率几乎相同，但 DDPG 方法具有学习率高、性能方差低以及控制平滑的优势。本研究展示了两种强化学习方法实现约束吸引子选择的能力。
引用
@article{arxiv.1909.10500,
title = {Constrained Attractor Selection Using Deep Reinforcement Learning},
author = {Xue-She Wang and James D. Turner and Brian P. Mann},
journal= {arXiv preprint arXiv:1909.10500},
year = {2020}
}
备注
14 pages, 6 figures. Update: more application examples of attractor selection; detailed algorithms for CEM and DDPG