面向经济性非线性模型预测控制的 Koopman 模型端到端强化学习
机器学习
2025-03-26 v4 系统与控制
系统与控制
摘要
（经济性）非线性模型预测控制（(e)NMPC）需要足够准确且计算易处理的动态模型。机理模型的数据驱动代理模型可减轻 (e)NMPC 的计算负担；然而，此类模型通常通过在仿真样本上最大化预测精度进行系统辨识训练，在 (e)NMPC 中表现次优。我们提出一种对 Koopman 代理模型进行端到端强化学习的方法，以作为 (e)NMPC 一部分获得最优性能。我们将该方法应用于源自一个既有非线性连续搅拌釜反应器模型的两个应用。将控制器性能与采用系统辨识训练模型的 (e)NMPC 以及采用强化学习训练的无模型神经网络控制器进行比较。我们表明，端到端训练的模型在 (e)NMPC 中优于系统辨识训练的模型，并且与神经网络控制器不同，(e)NMPC 控制器无需重新训练即可应对控制设定的变化。
引用
@article{arxiv.2308.01674,
title = {End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control},
author = {Daniel Mayfrank and Alexander Mitsos and Manuel Dahmen},
journal= {arXiv preprint arXiv:2308.01674},
year = {2025}
}
备注
manuscript (20 pages, 7 figures, 6 tables), supplementary materials (3 pages, 2 tables)