QRnet：基于 LQR 增强神经网络的优化调节器设计
最优化与控制
2021-04-09 v2 机器学习
系统与控制
系统与控制
摘要
本文提出一种用于高维非线性系统最优调节器设计的新计算方法。该方法利用物理信息机器学习求解最优反馈控制中出现的的高维 Hamilton-Jacobi-Bellman 方程。具体而言，我们用神经网络增强线性二次调节器以处理非线性。我们在不离散化状态空间的情况下生成数据来训练增强模型，从而可应用于高维问题。我们使用所提方法为不稳定的 Burgers 方程设计候选最优调节器，并通过该示例展示了相比现有神经网络公式在鲁棒性和精度上的改进。
引用
@article{arxiv.2009.05686,
title = {QRnet: optimal regulator design with LQR-augmented neural networks},
author = {Tenavi Nakamura-Zimmerer and Qi Gong and Wei Kang},
journal= {arXiv preprint arXiv:2009.05686},
year = {2021}
}
备注
Added IEEE accepted manuscript with copyright notice