Periodic control laws for bilinear quantum systems with discrete spectrum
我们提供了一个无限维双线性薛定谔方程的动力学和它的有限维Galerkin近似之间的误差界。标准的平均方法用于有限维近似,以获得建设性的可控性结果。作为一个例子,该方法被应用在一个2D旋转分子的模型上。
2011-11-19 math.OC
Smooth approximation of feedback laws for infinite horizon control problems with non-smooth value functions
本文针对值函数非光滑的无限时域最优控制问题,推导光滑反馈律的 $L^{p}$ 型误差界,并利用 Lyapunov 函数证明近似最优光滑反馈律序列的存在性,同时将结果推广到 Hölder 连续情形,为数据驱动反馈律综合的收敛性分析提供理论基础。
2024-02-20 math.OC
Late lumping of transformation-based feedback laws for boundary control systems
研究了具有无界输入算子的无限维线性系的后集总反馈设计问题。所提出的方案是适合于近似的backstepping和flatness-based设计,并依赖于分解成一个有界和无界的部分反馈。近似仅适用于有界部分,而无界部分被假定为允许精确实现。基于谱结果,闭环动态收敛到所需的动态。通过对偶性,类似的结果适用于具有边界观测的系统的观测器输出注入增益的近似。所提出的设计和逼近步骤的基础上,双曲型无限维系统的演示和说明。
2022-11-02 math.OC
Convex Chance Constrained Model Predictive Control
本文研究受干扰多项式系统的机会约束模型预测控制问题。在这个问题中,我们的目标是找到最优控制输入给定的扰动动力系统,以最小化给定的费用函数受到概率约束,在有限的水平。所提供的控制律具有预定义的(低)未达到期望目标集的风险。基于测度和矩理论,给出了一系列有限半定规划,并证明了其解收敛于原问题的最优解。数值例子来说明所提出的方法的计算性能。
2016-05-03 math.OC
Convergence of stochastic nonlinear systems and implications for Stochastic Model Predictive Control
随机模型预测控制(MPC)在附加扰动下的稳定性通常通过构造类Lyapunov不等式来证明,该不等式确保了闭环性能界和状态的有界性,但通常不能确定状态的严格极限界和非保守性能界。在这项工作中,我们使用的输入到状态的稳定性找到的条件,这意味着收敛概率为1的扰动非线性系统的最小鲁棒正不变集。我们讨论了随机MPC配方的状态和控制律的收敛性的影响,我们证明了几个现有的线性和非线性系统的随机MPC配方的收敛结果。
2020-04-06 math.OC
Parallelized POD-based Suboptimal Economic Model Predictive Control of a State-Constrained Boussinesq approximation
受节能建筑应用的启发,我们希望优化一个二次成本函数的Boussinesq近似的Navier-斯托克斯方程和双边状态和控制约束。由于这种最优解的计算在数值上是昂贵的,我们设计了一种有效的策略来计算次优(但应用上可接受的)的解决方案,大大减少了计算工作量。我们采用经济的模型预测控制(MPC)策略,以获得反馈控制。MPC子问题是基于一个线性二次最优控制问题的混合控制和状态约束和对流-扩散方程,减少适当的正交分解。为了解决每个子问题,我们应用原始-对偶有效集策略。该方法可以完全并行化,这使得解决具有真实世界参数的大型问题成为可能。
2021-01-12 math.OC
Towards reliable data-based optimal and predictive control using extended DMD
虽然Koopman为基础的技术,如扩展的动态模式分解是无处不在的数据驱动近似的动力系统,定量误差估计最近才建立。为此,必须考虑由有限字典和在代理模型的生成中仅有限多的数据点引起的误差源。我们概括的严格分析的近似误差的控制设置,同时减少维数灾难的影响,通过使用最近提出的双线性方法。特别是,我们建立统一的边界上的近似误差的状态相关的量,如约束或性能指标,使基于数据的最优和预测控制的保证。
2022-11-13 math.OC
Data-driven Model Predictive Control: Asymptotic Stability despite Approximation Errors exemplified in the Koopman framework
University of Pavia(帕维亚大学);Technische Universität Ilmenau(伊尔梅瑙工业大学);Chemnitz University of Technology(开姆尼茨工业大学)
本文提出了一种数据驱动的模型预测控制方法,通过Koopman框架验证了在存在近似误差时仍能实现渐近稳定性的理论与实验结果。
2026-02-06 math.OC
Exact Learning of Linear Model Predictive Control Laws using Oblique Decision Trees with Linear Predictions
University of British Columbia(不列颠哥伦比亚大学)
本文提出利用斜决策树与线性预测方法,精确学习线性MPC控制律,实现高效且可解释的控制方案,提升安全关键系统的可靠性。
2025-12-17 cs.SY eess.SY math.OC
On the shape factor of interaction laws for a non-local approximation of the Sobolev norm and the total variation
我们考虑由H. Brezis和H.- M. Nguyen在最近的一篇论文中说。这些泛函伽玛收敛于索伯列夫范数或全变差的倍数,具体取决于可和性指数,但在许多情况下常数的确切值是未知的。我们描述了一种新的方法,伽玛收敛的结果,导致在某些特殊情况下的常数的精确值,并存在光滑的恢复家庭。
2018-05-19 math.FA math.OC
Approximation of Continuous-Time Infinite-Horizon Optimal Control Problems Arising in Model Predictive Control - Supplementary Notes
ETH Zurich(苏黎世联邦理工学院)
本文研究了模型预测控制中出现的线性无限时间最优控制问题的两种近似方法,通过基函数参数化输入和状态轨迹,利用Galerkin方法获得有限维动力学表示,并证明了这两种近似方法分别提供最优成本的下界和上界,随着基函数数量增加,界更紧。
2016-08-31 cs.SY eess.SY math.OC
Data-driven approximation for feasible regions in nonlinear model predictive control
针对非线性模型预测控制(MPC)方案,提出了一种数据驱动的学习框架,用于逼近非线性系统的可行域和不变集。所开发的方法是基于一个点的数据集,使用低差异序列的可行性信息。利用基于核的支持向量机(SVM)学习,构造可行域边界的外近似和内近似,从而获得系统MPC的可行域。此外,我们还利用集合论的方法,将我们的方法推广到受扰动的非线性系统。最后,一个说明性的数值例子来说明所提出的方法的有效性。
2020-12-15 cs.SY eess.SY math.OC
A Sensitivity-based Data Augmentation Framework for Model Predictive Control Policy Approximation
使用基于专家的监督学习技术近似模型预测控制(MPC)策略需要从MPC策略中采样的标记训练数据集。这通常通过对可行状态空间进行采样并通过对每个样本离线求解数值最优化问题来评估控制律来获得。尽管可以在线廉价地评估所得到的近似策略,但是生成大的训练样本来学习MPC策略可能是耗时的并且昂贵得令人望而却步。这是一个基本的瓶颈,限制MPC政策近似的设计和实施。本技术说明旨在解决这一挑战,并提出了一种新的基于灵敏度的数据增强方案,用于直接政策近似。所提出的方法是基于利用参数的敏感性,廉价地产生额外的训练样本的邻域中现有的样本。
2022-03-15 cs.SY eess.SY math.OC
Immersion-based model predictive control of constrained nonlinear systems: Polyflow approximation
在模型预测控制(MPC)框架中,控制输入通常通过在线反复求解最优化问题来计算。对于一般的非线性系统,在线最优化问题是非凸的,计算量大,甚至难以处理。在本文中,我们提出通过计算离散时间非线性系统的高维线性嵌入来规避这个问题。计算依赖于与非线性系统的浸入性有关的代数条件,并且可以离线实现。在高维线性模型的基础上,我们定义并求解了一个凸的在线MPC问题。我们还提供了一个解释我们的方法下的Koopman运营商的框架。
2021-03-30 cs.SY eess.SY math.OC
Approximate infinite-horizon predictive control
预测控制经常用于涉及约束的控制问题。作为一种基于优化的技术,利用用户指定的所谓阶段成本、性能属性,即,除了闭环稳定性之外,无限时域累积级成本的界也是令人感兴趣的。为了实现良好的性能,并影响与预测时域相关联的吸引区域,预测控制器的优化目标的终端成本是一个关键的设计因素。近似动态规划是指在状态域上追求迭代成本自适应的一种特定近似范式。近似误差的困扰,相关的近似最优控制器,在一般情况下,不一定是稳定的,也不是它的性能量化的整个近似域。使用一个参数终端成本通过近似动态规划训练,提出了一种稳定的预测控制器,其性能可以直接关系到成本逼近误差。该控制器还确保了在与终端成本相关联的近似最优控制器的训练域之外的闭环渐近稳定性。
2022-09-07 cs.SY eess.SY math.OC
Central Limit Theorems for Sample Average Approximations in Stochastic Optimal Control
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. Milton Stewart 工业与系统工程学院)
本文研究了离散时间有限时间随机优化控制中样本平均近似方法的中心极限定理,通过抽象极限定理推导出极限分布,并讨论了非唯一最优策略下的极限分布形式。
2026-04-19 math.OC math.ST stat.TH
Failure of uniform laws of large numbers for subdifferentials and beyond
University of Southern California(南加州大学)
本文通过构造一元随机Lipschitz函数和二元随机凸函数,证明在自然假设下子微分的统一大数定律不成立,并揭示了样本平均近似和子微分近似的根本限制。
2026-03-16 math.OC math.ST stat.ML
Nonlinear Model Predictive Control for Constrained Output Path Following
Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Otto von Guericke University Magdeburg(奥托·冯·格里克马格德堡大学)
本文提出非线性系统输出路径跟踪的预测控制方法,分析约束路径跟踪的几何特性,提供终端区域和终端惩罚的收敛条件,并通过机器人示例验证。
2015-02-09 cs.SY eess.SY math.OC
Convex Approximations for a Bi-level Formulation of Data-Enabled Predictive Control
本文提出数据驱动预测控制(DeePC)的双层优化公式,并通过凸近似统一多种变体,发现新变体DeePC-SVD-Iter在非LTI系统上表现优异。
2023-12-24 cs.SY eess.SY math.OC
Error bounds for maxout neural network approximations of model predictive control
针对神经网络逼近 MPC 难以保留稳定性与性能保证的问题,提出用混合整数可行性问题精确计算 maxout NN 的最大误差与局部增益,并证明存在零误差逼近。
2023-04-21 cs.SY eess.SY math.OC
Distributed Model Predictive Control for Energy and Comfort Optimization in Large Buildings Using Piecewise Affine Approximation
School of Intelligence Science and Engineering, Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳校区智能科学与工程学院);University of Alberta(阿尔伯塔大学)
本文提出一种基于分段仿射近似的分布式模型预测控制方法,通过凸ADMM算法提升计算效率,实现大型建筑能耗与舒适度的优化。
2026-02-05 cs.SY eess.SY math.OC
Data/moment-driven approaches for fast predictive control of collective dynamics
Università di Verona(维罗纳大学);Imperial College London(伦敦帝国学院);RWTH Aachen University(亚琛工业大学)
本文针对大规模粒子系统集体动力学的高维特性导致传统MPC在线优化困难的问题,提出数据驱动(监督学习离线近似)和矩驱动(基于宏观量序贯线性化)两种替代方法,实现快速实时反馈控制,并通过数值实验验证了算法性能。
2024-02-23 cs.LG cs.MA math.OC
Data-driven learning of feedback maps for explicit robust predictive control: an approximation theoretic view
本文提出一种数据驱动算法,通过凸半无限规划生成数据并学习近似反馈映射,用于显式鲁棒MPC,保证递推可行性和闭环稳定性,并用两个基准示例验证。
2025-10-15 cs.LG cs.SY eess.SY
On Cyclic Finite-State Approximation of Data-Driven Systems
在本文中,提出了一些新的理论和计算技术的数据驱动系统的约束近似。这些技术的发展的动机来自结构保持矩阵逼近问题,出现在系统辨识和模型预测控制领域,数据驱动的系统和过程。本文中报告的研究重点是数据驱动系统的有限状态近似。概述了与电信号传输模型相关的一些通用数据驱动系统的模拟和模型预测控制中的上述技术的一些数值实现。
2019-07-18 cs.SY eess.SY math.OA
Higher-Order Approximation of Exit Functionals in Sampling-Based Stochastic Model Predictive Control
Purdue University(普渡大学)
本文提出将高阶强逼近方法用于随机模型预测控制中的退出泛函估计,通过自适应Milstein离散化和Lévy面积模拟,在机会约束路径积分控制中实现了优于Euler-Maruyama的强退出时间与失效指标逼近。
2026-10-14 cs.NA cs.RO cs.SY