基于时变贝叶斯优化的控制器调参
机器学习
2023-06-28 v1 系统与控制
系统与控制
摘要
变化的条件或环境会导致系统动态随时间改变。为确保最优控制性能，控制器应适应这些变化。当变化的潜在原因和发生时间未知时，我们需要依赖在线数据进行这种适应。在本文中，我们将使用时变贝叶斯优化（TVBO），利用关于控制目标及其变化的相关先验知识，在变化环境中在线调参控制器。许多在线控制器调参问题具有两个特征：首先，由于系统动态的变化（例如通过磨损），目标函数表现出渐进且持久的变化；其次，该优化问题在调参参数上是凸的。当前的 TVBO 方法未显式考虑这些特性，导致调参性能差，并因对参数空间的过度探索而产生许多不稳定控制器。我们提出了一种使用不确定性注入（UI）的新型 TVBO 遗忘策略，其纳入了渐进且持久变化的假设。控制目标被建模为具有 UI 的时空高斯过程（GP），其中时间域通过维纳过程实现 UI。此外，我们通过具有线性不等式约束的 GP 模型显式建模空间维度上的凸性假设。在数值实验中，我们表明我们的模型优于 TVBO 中的 state-of-the-art 方法，表现出更小的遗憾（regret）和更少的不稳定参数配置。
引用
@article{arxiv.2207.11120,
title = {On Controller Tuning with Time-Varying Bayesian Optimization},
author = {Paul Brunzema and Alexander von Rohr and Sebastian Trimpe},
journal= {arXiv preprint arXiv:2207.11120},
year = {2023}
}
备注
To appear in the proceedings of the 61st IEEE Conference on Decision and Control