深度Galerkin反馈律下基于智能体动力学的最优控制
机器学习
2024-06-14 v1
摘要
自动态规划概念提出以来，最困难的挑战之一就是如何充分解决高维控制问题。随着维度的增加，深度神经网络的使用有望规避原本呈指数增长的复杂度问题。本文专门研究了深度Galerkin方法所面临的采样问题。它提出了一种基于漂移松弛的采样方法，以缓解高方差策略近似的症状。该方法在平均场控制问题上得到了验证；即Sznajd和Hegselmann-Krause模型所呈现的观点动力学的变体。与手动优化的控制函数相比，所得策略实现了显著的成本降低，并且在线性二次型调节器问题上显示出优于深度FBSDE方法的改进。
引用
@article{arxiv.2406.09141,
title = {Optimal Control of Agent-Based Dynamics under Deep Galerkin Feedback Laws},
author = {Frederik Kelbel},
journal= {arXiv preprint arXiv:2406.09141},
year = {2024}
}