基于神经网络与原始活动集的大规模模型预测控制
机器学习
2021-07-07 v2 系统与控制
系统与控制
最优化与控制
机器学习
摘要
本工作提出一种显式–隐式过程以计算模型预测控制（MPC）律，并对递归可行性与渐近稳定性提供保证。该方法将离线训练的全连接神经网络与在线原始活动集求解器相结合。神经网络提供控制输入初始化，而原始活动集方法确保递归可行性与渐近稳定性。神经网络以原始–对偶损失函数进行训练，旨在生成原始可行且达到期望次优性水平的控制序列。由于神经网络单独不能保证约束满足，其输出被用于在线热启动原始活动集方法。我们证明该方法可扩展至具有数千个优化变量的大规模问题，而这对当前方法而言颇具挑战。我们的方法相较于某基准测试套件中不同求解器与初始化策略的最优方法，在线推理时间减少了 2 倍。
引用
@article{arxiv.1910.10835,
title = {Large Scale Model Predictive Control with Neural Networks and Primal Active Sets},
author = {Steven W. Chen and Tianyu Wang and Nikolay Atanasov and Vijay Kumar and Manfred Morari},
journal= {arXiv preprint arXiv:1910.10835},
year = {2021}
}