Observer-Based Performance-Barrier Event-Triggered Control of $2\times2$ Linear Hyperbolic PDEs
University of California San Diego（加利福尼亚大学圣地亚哥分校）
本文提出基于输出反馈的新型动态性能障碍控制方法，用于$2\times2$线性双曲PDEs的事件触发边界控制，证明了系统解的全局指数稳定性及最小驻留时间的存在。
2026-04-02 math.OC
DeepONet of dynamic event-triggered backstepping boundary control for reaction-diffusion PDEs
针对反应扩散PDE，提出基于算子学习与反步法的动态事件触发边界控制方案，通过神经算子学习反步核以提高计算效率，证明了无Zeno行为及状态指数收敛。
2025-04-01 math.OC
Multiple Loop Self-Triggered Model Predictive Control for Network Scheduling and Control
ACCESS Linnaeus Centre, School of Electrical Engineering, Royal Institute of Technology（ACCESS林奈中心，电气工程学院，皇家理工学院）；The University of Newcastle（纽卡斯尔大学）
本文提出一种基于自适应采样间隔的多线性时不变过程网络调度与控制算法，通过模型预测控制思想实现自适应采样，确保系统稳定性和网络冲突自由。
2015-02-11 cs.SY eess.SY math.OC
Switched Event-Triggered Adaptive Control of Reaction-Diffusion PDE-ODE with Neural Operator Implementation
针对反应扩散PDE-ODE级联系统的不确定性，提出基于切换事件触发机制的自适应边界控制，利用深度神经算子逼近反推核函数，实现全局指数稳定和L2全局渐近调节。
2026-06-01 cs.SY eess.SY math.OC
Abstracting the Traffic of Nonlinear Event-Triggered Control Systems
Delft University of Technology（代尔夫特理工大学）
本文提出了一种用于抽象非线性事件触发控制系统的框架，通过可达性分析和等时 manifold 方法，实现了对不确定系统的采样行为建模与调度。
2021-06-15 cs.SY eess.SY math.OC
Neural Event-Triggered Control with Optimal Scheduling
Research Institute of Intelligent Complex Systems, Fudan University（复旦大学智能复杂系统研究院）；School of Mathematical Sciences, LMNS, and SCMS, Fudan University（复旦大学数学科学学院，LMNS和SCMS）；State Key Laboratory of Medical Neurobiology and MOE Frontiers Center for Brain Science, Institutes of Brain Science, Fudan University（复旦大学脑科学研究院，医学神经生物学国家重点实验室和教育部前沿脑科学中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对神经控制器直接部署需消耗大量通信资源的问题，本文提出带最优调度的Neural ETC框架，含两种算法与投影操作保障稳定和最优，可在资源受限场景下减耗提效。
2025-07-19 math.OC
Stability and $\ell^2$-gain Analysis of Adaptive Control Systems with Event-triggered Try-once-discard Protocols
Graduate School of System Informatics, Kobe University（神户大学系统信息研究生院）
本文研究了具有事件触发try-once-discard协议的自适应控制系统稳定性与ℓ²增益分析，提出基于最大误差的自适应控制器设计方法，获得系统实际稳定性和闭环系统ℓ²增益上界条件。
2018-01-24 cs.SY eess.SY math.OC
Gain-Only Neural Operators for PDE Backstepping
本文提出仅近似单变量控制增益函数而非双变量核函数的PDE backstepping深度学习方法，通过将近似误差从域内转移到边界条件，在保持稳定性保证的同时简化了神经算子训练，并讨论了其Lyapunov分析代价与适用场景。
2024-10-20 cs.SY eess.SY math.OC
Periodic event-triggered networked control systems subject to large transmission delays
研究了非线性系统的周期事件触发网络控制问题，其中被控对象和控制器之间通过多个独立的通信通道连接。几个网络引起的缺陷被认为是同时进行，包括随时间变化的互采样时间，传感器节点调度，特别是，大的随时间变化的传输延迟，其中发送的信号可能会到达目的地节点后，下一次传输发生。提出了一种新的混合系统建模方法，对包含所有通信相关行为的闭环系统进行建模。然后，通过构造新的系统状态存储函数和误差更新函数，分析了最大允许采样周期（MASP）与最大允许采样延迟数（MADNS）之间的关系，后者表示一个传输延迟中可以包含多少个采样间隔周期。此外，为了有效地减少不必要的传输，提出了一种新的动态事件触发控制方案，其中事件触发条件仅在非周期性和异步采样时刻检测。从基于仿真的方法出发，在初始设计控制器时忽略所有网络引起的缺陷，给出了动态事件触发控制的充分条件，以保证闭环输入-状态稳定。根据通信信道容量的不同，讨论了所设计的动态事件触发控制方案的相应实现策略。最后，通过两个非线性算例的仿真，验证了理论结果的可行性和有效性。
2021-11-22 math.OC
InterQ: A DQN Framework for Optimal Intermittent Control
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文针对离散时间随机线性系统的通信-控制协同设计问题，提出基于DQN的InterQ框架，通过强化学习优化调度策略，数值实验表明其性能优于多周期周期性调度和事件触发策略两种基线。
2025-04-12 cs.LG cs.SY eess.SY
Gain Scheduling with a Neural Operator for a Transport PDE with Nonlinear Recirculation
École des Mines de Paris（巴黎矿业学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Universidad de Sevilla（塞维利亚大学）
本文针对非线性输运PDE，将神经算子（NO）引入增益调度（GS）反推设计，通过训练NO实时生成控制增益，避免了耗时的PDE求解，并证明了双曲PDE的局部稳定性，仿真显示速度提升三个数量级。
2024-01-04 cs.AI cs.LG cs.SY
Periodic Event-Triggered Synchronization of Linear Multi-agent Systems with Communication Delays
多智能体系统的合作，以实现全球目标通常是有限的传感器，驱动和通信问题。在局部水平上，连续测量和致动仅通过使用测量和处理信息的数字机制来近似，以便在离散时刻计算和更新新的控制输入值。与其他代理或子系统的交互通常通过具有有限带宽的数字通信信道进行，其中连续时间信号的传输是不可能的。此外，通信信道可能会受到其他缺陷的影响，例如时变延迟。本文研究了由一般线性动力学描述的多智能体系统的一致性（或状态轨迹的同步）问题，这些系统用无向图连接.提出了一种事件触发的共识协议，其中每个代理实现其邻居状态的离散化和解耦模型。这种方法不仅避免了代理之间的连续通信的需要，而且还提供了一种分散的方法，用于在存在时变通信延迟的情况下传输信息，其中每个代理仅基于本地信息来决定其自己的广播时刻。与周期性和采样数据实现相比，该方法为调度信息广播提供了更大的灵活性。每个代理使用离散化模型允许周期性事件触发策略，其中不需要连续驱动和连续测量状态。
2015-04-14 math.OC
Neural Operators for Bypassing Gain and Control Computations in PDE Backstepping
我们介绍了一个框架，消除了PDE控制中的控制器增益函数的计算。我们用一个（深度）神经网络学习从被控对象参数到控制增益的非线性算子。我们提供闭环稳定性保证（全球指数）下的NN近似的反馈增益。虽然，在现有的PDE反推，找到增益内核需要（一个离线）的积分方程的解决方案，神经算子（NO）的方法，我们建议学习的映射植物PDE的功能系数的核函数，通过采用足够高数量的离线数值解的内核积分方程，对于一个足够大数量的PDE模型的不同的功能系数。我们证明了一个DeepONet近似的存在性，具有任意高的精度，精确的非线性连续算子映射PDE系数函数到增益函数。一旦被证明存在，NO的学习是标准的，“一劳永逸”地完成（从不在线），并且对于任何不超过用于训练的函数系数的幅度的新函数系数，不需要再次求解核积分方程。我们还提出了一个扩展，从近似的增益核算子近似的全反馈律映射，从植物参数函数和状态测量功能的控制输入，半实际的稳定性保证。提供了模拟插图，代码可在github上获得。这种框架，消除了实时重新计算的增益，有可能是改变游戏规则的自适应控制的偏微分方程和增益调度控制的非线性偏微分方程。这篇论文不需要机器学习或神经网络的背景。
2023-02-28 cs.SY eess.SY math.OC
Backstepping for Partial Differential Equations:A Survey
本综述系统梳理了PDE反推控制方法，涵盖抛物型、双曲型等PDE的控制器与观测器设计及其非线性、自适应等扩展，并强调其在流动、能源等实际应用中的价值。
2025-09-10 math.OC
