正则化与分布鲁棒的数据驱动预测控制
最优化与控制
2019-11-04 v2
摘要
本文研究了一种应用于未知随机线性时不变系统的数据驱动预测控制（DeePC）算法。该算法利用含噪声的输入/输出数据预测未来轨迹并计算最优控制策略。为对输入/输出数据中的不确定性实现鲁棒化，控制策略的计算旨在最小化给定目标函数的最坏情况期望。利用分布鲁棒随机优化的技术，我们证明对于特定目标函数，最坏情况优化问题与 DeePC 算法的正则化版本一致。这些结果支持了先前观察到的正则化算法的优势，并为其性能提供了概率保证。我们通过一个数值案例研究说明了正则化算法的鲁棒性。
引用
@article{arxiv.1903.06804,
title = {Regularized and Distributionally Robust Data-Enabled Predictive Control},
author = {Jeremy Coulson and John Lygeros and Florian Dörfler},
journal= {arXiv preprint arXiv:1903.06804},
year = {2019}
}