强化学习与模型预测控制在温室气候控制中的对比
最优化与控制
2023-03-13 v1
摘要
温室是为世界提供充足新鲜食物的重要保护性园艺系统。然而，维持温室内理想的生长气候需要资源与运营成本。为实现经济且可持续的作物生长，温室生产的高效气候控制变得至关重要。模型预测控制（MPC）是科学文献中温室气候控制最常用的方法。然而，随着传感与计算技术的发展，强化学习（RL）近期受到越来越多的关注。每种控制方法各有陈述控制问题、定义控制目标与寻求最优控制动作的方式，MPC 与 RL 分别是基于模型与基于学习的控制方法的代表。尽管研究者已应用某些形式的 MPC 与 RL 来控制温室气候，但从数学或性能视角分析 MPC 与 RL 之间联系、差异及优劣的工作极少。因此，本文将会：1）在统一框架下提出温室气候控制的 MPC 与 RL 方法；2）从数学视角分析 MPC 与 RL 之间的联系与差异；3）在仿真研究中比较 MPC 与 RL 的性能，随后将对比结果呈现并解读为不同控制方法在不同场景中应用的见解。
引用
@article{arxiv.2303.06110,
title = {Reinforcement Learning Versus Model Predictive Control on Greenhouse Climate Control},
author = {Bernardo Morcego and Wenjie Yin and Sjoerd Boersma and Eldert van Henten and Vicenç Puig and Congcong Sun},
journal= {arXiv preprint arXiv:2303.06110},
year = {2023}
}