基于改进 Q 学习爬山算法的采样随机跳变系统优化模态分类镇定

Guoliang Wang

基于改进 Q 学习爬山算法的采样随机跳变系统优化模态分类镇定

最优化与控制 2024-07-09 v2 系统与控制系统与控制统计理论统计理论

作者: Guoliang Wang

摘要

本文研究了由一般采样控制器闭环的随机跳变系统 (SJSs) 的镇定问题。由于控制器的切换和状态均被采样，研究其镇定具有挑战性。提出了一种新的镇定方法，该方法深度依赖于模态分类，其数量等于第二类斯特林数。为了在所有分类中找到最佳镇定效果，构建了一个凸优化问题，证明了其全局解的存在性，并可通过增广拉格朗日函数进行计算。更重要的是，为了进一步降低计算复杂度同时尽可能保持更好的性能，通过应用 Q 学习技术提供了一种最优衰减系数，从而建立了一种新颖的改进爬山算法。提供了一个数值算例以验证本研究中所提方法的有效性和优越性。

关键词

随机跳变系统镇定模态分类采样数据控制 Q 学习爬山算法凸优化

引用

@article{arxiv.2402.17539,
  title  = {The optimizing mode classification stabilization of sampled stochastic jump systems via an improved hill-climbing algorithm based on Q-learning},
  author = {Guoliang Wang},
  journal= {arXiv preprint arXiv:2402.17539},
  year   = {2024}
}

备注

I want to withdraw it, because I find there are some important errors, but I cannot correct at the current moment

基于改进 Q 学习爬山算法的采样随机跳变系统优化模态分类镇定

摘要

关键词

引用

备注

相关论文