基于不确定性的快速优化的扰动观察法：用于未知时变过程

模型无关的自适应优化方法能够优化未知时变过程，即使其他优化方法不可行。然而，其实际应用往往受限于用于收集未知成本及其梯度信息的扰动。本文旨在开发一种扰动观察(P&O)方法，以减少此类扰动的需求，同时仍实现对时变最优值的快速且准确的跟踪。为此，构建了一个(time-varying)成本模型，以在线方式考虑测量成本的不确定性以及较旧测量值可靠性下降。仅在预期能在一定时间范围内提高性能时，才会使用扰动。提供了在特定条件下，该策略收敛到最优值附近的收敛条件。最后，仿真结果表明，基于不确定性的P&O可以显著减少扰动次数，同时仍能准确跟踪时变最优值。