توضیحات
کنترل بهینه مبتنی بر یادگیری تقویتی برای سیستم غیرخطی محدود از طریق یک تبدیل جدید وابسته به حالت
عنوان اصلی مقاله:
Reinforcement Learning based Optimal Control for Constrained Nonlinear System via A Novel State-Dependent Transformation
شبیه سازی در محیط ام فایل متلب انجام شده است.
بیشتر بدانیم:
در این مقاله، یک روش کنترل بهینه مبتنی بر یادگیری تقویتی برای سیستم‌های غیرخطی با محدودیت ورودی ارائه شده است. این روش از یک تابع تبدیل غیرخطی وابسته به حالت جدید استفاده می‌کند که سیستم‌های غیرخطی با محدودیت حالت را به یک سیستم جدید با محدودیت ورودی تبدیل می‌کند. سپس از تکنیک بهینه‌سازی بازگشتی برای توسعه کنترل‌کننده بهینه برای سیستم جدید استفاده می‌شود تا سیگنال مرجع مورد نظر را بدون شرایط امکان‌پذیری دنبال کند.
روش تبدیل وابسته به حالت:
در یادگیری تقویتی، **روش تبدیل وابسته به حالت** یکی از روش‌های مورد استفاده است. این روش برای مسائل کنترل بهینه در سیستم‌های غیرخطی با محدودیت ورودی مورد استفاده قرار می‌گیرد.
در این روش، از یک تابع تبدیل غیرخطی وابسته به حالت جدید استفاده می‌شود. این تابع تبدیل، سیستم‌های غیرخطی با محدودیت حالت را به یک سیستم جدید با محدودیت ورودی تبدیل می‌کند. سپس از تکنیک‌های بهینه‌سازی بازگشتی مانند مونت کارلو یا یادگیری تفاوت زمانی (TD) برای توسعه کنترل‌کننده بهینه برای سیستم جدید استفاده می‌شود. این کنترل‌کننده به عامل اجازه میدهد تا سیگنال مرجع مورد نظر را بدون شرایط امکان‌پذیری دنبال کند.
به طور خلاصه، روش تبدیل وابسته به حالت در یادگیری تقویتی، یک راه‌حل برای کنترل سیستم‌های غیرخطی با محدودیت ورودی است که از تابع تبدیل و تکنیک‌های بهینه‌سازی استفاده می‌کند.
توضیحات پروژه کنترل بهینه مبتنی بر یادگیری تقویتی
شبیه سازی برای دو مثال مقاله انجام شده است و کدهای شبیه سازی نیز در دو پوشه با نام های مشخص قرار گرفته است.
نتایج شبیه سازی با متلب را در زیر مشاهده می کنید.
نتایج مثال اول مقاله:
Fig. 2 Trajectories of the state x1, x2 and reference signal yr. (a) Tracking performance of system output, (b) Trajectory of the state x2.
Fig. 3 Tracking errors. (a) Tracking error of transformed system. (b) Actual tracking of the original system.
Fig. 4 Control inputs. (a) Actual controller u(t), (b) Virtual controller ˆ α1
Fig. 5 Cost functions of the proposed scheme. (a) Cost function of subsystem 1, (b) Cost function of subsystem 2.
Fig. 6 Weight of the neural networks. (a) ||Wˆc1||, (b) ||Wˆc2||,
(c) ||Wˆa1||, (d) ||Wˆa2||, (e) ||Wˆf1||, (f) ||Wˆf2||,
نتایج مثال دوم مقاله:
Fig. 7 Tracking performance of system output x1
Fig. 8 System states. (a) State x2, (b) State x3.
Fig. 9 Actual tracking error of the original system
Fig. 10 Control inputs of the proposed scheme. (a) Actual control input u, (b) Virtual controller ˆ α1, (c) Virtual controller ˆ α2.
همانطور که مشاهده می شوند نتایج به خوبی به دست آمده اند.
شاید به موارد زیر نیز علاقه مند باشید:
- Nonlinear control of a boost converter using a robust regression based reinforcement learning algorithm
- مدل کنترل پیش بین مبدل تقویت کننده DC/DC با یادگیری تقویتی
- کنترل و پایدارسازی بازوی مکانیکی روبات با استفاده از تئوری معادلات ریکارتی وابسته به حالت
- ادغام در مقیاس بزرگ تقاضا دفریبل و منابع انرژی تجدید پذیر
- شبیه سازی آماده مقالات IEEE
کلیدواژه:
Asymmetric time-varying full state constraints, Optimized backstepping, Nonlinear state-dependent function, Reinforcement learning
محدودیت‌های حالت کامل متغیر با زمان نامتقارن, تابع وابسته به حالت غیرخطی, یادگیری تقویتی
کنترل بهینه مبتنی بر یادگیری تقویتی برای سیستم غیرخطی محدود از طریق یک تبدیل جدید وابسته به حالت با متلب
طبق توضیحات فوق توسط کارشناسان سایت متلبی تهیه شده است و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.