DySMHO：基于移动时域优化的动力学系统控制方程数据驱动发现

发现支撑物理与化学现象的控制定律，是理解和最终控制科学与工程系统的关键一步。我们提出 DySMHO（通过移动时域优化发现动力学系统，Discovery of Dynamical Systems via Moving Horizon Optimization），一种可扩展的机器学习框架，用于从大规模含噪实验数据集中以微分方程形式辨识控制定律。DySMHO 由一种新颖的移动时域动态优化策略组成，该策略从庞大的基函数字典中顺序学习底层控制方程。DySMHO 的顺序特性允许借助统计论证剔除无关基函数，避免过拟合，从而恢复准确且简洁的控制方程形式。我们使用典型的非线性动力学系统示例证明，DySMHO 能准确恢复控制定律，对高水平测量噪声具有鲁棒性，并能处理多时间尺度动力学等挑战。