基于最优调度的神经事件触发控制
最优化与控制
2025-07-22 v1
摘要
近年来，带有稳定性证书函数的学习型控制器在解决控制问题方面展现了惊人的实证性能。然而，直接将神经控制器部署到实际数字平台上，由于闭环反馈控制器持续更新的需求，需使用不可行的大量通信资源。我们提出一种框架，旨在学习具备最优调度（即最小触发次数）的事件触发控制器 (ETC)，以应对资源受限的场景。我们提出的框架称为 Neural ETC，包含两个实用算法：基于直接模拟事件触发动力学的路径积分算法，以及基于事件间时间下界新理论结果推导的蒙特卡洛算法。此外，我们提出一种具有解析表达式的投影算子，确保 Neural ETC 的理论稳定性和调度最优性。与传统神经控制器相比，我们的实证结果表明，Neural ETC 在受限通信资源场景下显著降低所需通信资源，同时提升控制性能。
引用
@article{arxiv.2507.14653,
title = {Neural Event-Triggered Control with Optimal Scheduling},
author = {Luan Yang and Jingdong Zhang and Qunxi Zhu and Wei Lin},
journal= {arXiv preprint arXiv:2507.14653},
year = {2025}
}