面向 eNMPC 的基于可微仿真与优化的任务最优数据驱动代理模型
机器学习
2025-03-06 v3 最优化与控制
摘要
机理动态过程模型可能因计算代价过高而无法作为实时预测控制器的组成部分。我们提出一种端到端学习 Koopman 代理模型的方法，以在特定控制任务中实现最优性能。与以往采用标准强化学习 (RL) 算法的贡献不同，我们利用基于机理仿真模型的环境的可微性来辅助策略优化。我们通过一个连续搅拌釜反应器 (CSTR) 模型的现有经济非线性模型预测控制 (eNMPC) 案例研究，将本方法的性能与其他训练算法进行比较。相较于基准方法，本方法在消除约束违反的同时取得了相似的经济性能。因此，就该案例研究而言，本方法优于其他方法，并为采用动态代理模型实现更高性能控制器提供了一条有前景的路径。
引用
@article{arxiv.2403.14425,
title = {Task-optimal data-driven surrogate models for eNMPC via differentiable simulation and optimization},
author = {Daniel Mayfrank and Na Young Ahn and Alexander Mitsos and Manuel Dahmen},
journal= {arXiv preprint arXiv:2403.14425},
year = {2025}
}
备注
8 pages, 4 figures, 1 table