利用相似系统数据优化闭环性能：一种贝叶斯元学习方法
机器学习
2022-11-02 v1 系统与控制
系统与控制
摘要
贝叶斯优化（BO）已在数据有限场景中展现出优化控制性能的潜力，尤其适用于动力学未知或性能目标未建模的系统。BO 算法利用代理模型中的不确定性估计，高效地权衡探索与利用。这些代理模型通常使用从待优化的目标动力学系统收集的数据学习。直观上，能准确预测目标系统性能的代理模型具有更优的 BO 收敛速率。在经典 BO 中，初始代理模型由极有限的数据点构建，因此很少能准确预测系统性能。本文中，我们提出使用元学习，基于从多种不同于目标系统的系统上所执行的性能优化任务收集的数据，生成初始代理模型。为此，我们采用深度核网络（DKNs），其易于训练且包含编码的高斯过程模型，可与经典 BO 无缝集成。我们所提 DKN-BO 方法在加速控制系统性能优化上的有效性，通过使用一个具有未知动力学与未建模性能函数的被广泛研究的非线性系统得以证明。
引用
@article{arxiv.2211.00077,
title = {Optimizing Closed-Loop Performance with Data from Similar Systems: A Bayesian Meta-Learning Approach},
author = {Ankush Chakrabarty},
journal= {arXiv preprint arXiv:2211.00077},
year = {2022}
}
备注
To appear in the Proceedings of the 61st IEEE Conference on Decision and Control