DeePC-Hunt：通过可微优化实现数据驱动预测控制超参数调优
最优化与控制
2025-05-30 v2
摘要
本文提出了数据驱动预测控制超参数调优通过可微优化（DeePC-Hunt），一种用于DeePC算法自动超参数调优的基于反向传播的方法。此类方法的必要性源于超参数选择对实现满意的闭环DeePC性能的重要性。超参数选择的标准方法要么优化开环性能，要么使用手动猜测与检验。优化开环性能可能导致不可接受的闭环行为，而手动猜测与检验可能带来安全挑战。DeePC-Hunt提供了一种替代的超参数调优方法，它利用系统动力学的近似模型和反向传播来直接优化闭环DeePC性能的超参数。数值模拟展示了DeePC与DeePC-Hunt结合在非线性系统复杂镇定任务中的有效性，以及其在鲁棒性方面优于基于模型的控制策略。
引用
@article{arxiv.2412.06481,
title = {DeePC-Hunt: Data-enabled Predictive Control Hyperparameter Tuning via Differentiable Optimization},
author = {Michael Cummins and Alberto Padoan and Keith Moffat and Florian Dorfler and John Lygeros},
journal= {arXiv preprint arXiv:2412.06481},
year = {2025}
}
备注
L4DC 2025