针对动力学一致性控制的监督学习
最优化与控制
2022-07-20 v1
摘要
本文讨论如何成功且高效地将目标智能体群体引导至一致。为克服维数灾难,我们考虑一致性控制问题的平均场表述。尽管该表述被设计为与智能体数量无关,但其仅能在智能体空间的内禀维度适中时可解。为此,我们通过Boltzmann过程来逼近解,即以受控二体相互作用的拟不变极限作为平均场PDE的近似。对二体相互作用控制问题高效求解器的需求促使我们采用监督学习方法,以编码一个可极高频率采样的二体反馈映射。我们考虑对二体控制问题值函数使用梯度增强的前馈神经网络,并与反馈律的直接近似进行比较。
引用
@article{arxiv.2207.09171,
title = {Supervised learning for kinetic consensus control},
author = {Giacomo Albi and Sara Bicego and Dante Kalise},
journal= {arXiv preprint arXiv:2207.09171},
year = {2022}
}
备注
6 pages, 3 figures