通过符号回归为动态系统构建简约解析模型
机器学习
2020-06-19 v2 神经与进化计算
机器人学
系统与控制
机器学习
摘要
建立动态系统的数学模型是工程和科学的许多学科的核心。模型有助于仿真、系统行为分析、决策制定和自动控制算法设计。即使是本质上无模型的诸如强化学习（RL）之类的控制技术，也被证明能从模型的使用中受益，通常是在线学习得到的模型。任何模型构建方法都必须解决模型精度与复杂度之间的权衡，而这很难把握。在本文中，我们提议采用符号回归（SR）来构建由解析方程描述的简约过程模型。我们为方法配备了两种不同的最先进SR算法，它们自动搜索拟合测量数据的方程：单节点遗传编程（SNGP）和多基因遗传编程（MGGP）。除了状态空间域中的标准问题表述外，我们展示了该方法也可应用于NARX（带外生输入的非线性自回归）类型的输入输出模型。我们在三个维度高达14维状态空间的仿真示例上展示了该方法：倒立摆、移动机器人和双足行走机器人。与深度神经网络和局部线性回归的比较表明，SR在大多数情况下优于这些常用的替代方法。我们在真实摆系统上证明，所发现的解析模型使RL控制器能够基于仅由100个数据样本构建的模型成功完成起摆任务。
引用
@article{arxiv.1903.11483,
title = {Constructing Parsimonious Analytic Models for Dynamic Systems via Symbolic Regression},
author = {Erik Derner and Jiří Kubalík and Nicola Ancona and Robert Babuška},
journal= {arXiv preprint arXiv:1903.11483},
year = {2020}
}