Loading...
机构名称:
¥ 2.0

在过去的十年中,数据驱动的方法在受欢迎程度上激增,成为控制理论的宝贵工具。因此,控制反馈定律,系统dynamics甚至Lyapunov功能的神经网络近似都吸引了人们日益增长的关注。随着基于学习的控制的上升,对准确,快速和易于使用的基准的需求增加了。在这项工作中,我们提出了第一个基于学习的PDE边界控制的环境。在我们的基准测试中,我们引入了三个基础PDE问题 - 一维运输PDE,1D反应 - 扩散PDE和2D Navier-Stokes PDE-其求解器的求解器在用户友好的增强型健身房中捆绑在一起。在这个体育馆中,我们介绍了第一组无模型的,强化学习算法,用于解决这一系列的基准问题,达到稳定性,尽管与基于模型的PDE BackSteppping相比,成本更高。使用基准的环境和详细示例,这项工作大大降低了基于学习的PDE控制的进入的障碍 - 该主题在很大程度上没有由数据驱动的控制社区探索。整个基准标准可在GitHub上获得,并提供详细的文档,并且提供了增强的学习模型。关键字:部分微分方程控制,非线性系统,用于数据驱动控制的基准测试,增强学习

arxiv:2405.11401v2 [eess.sy] 2024年5月24日

arxiv:2405.11401v2 [eess.sy] 2024年5月24日PDF文件第1页

arxiv:2405.11401v2 [eess.sy] 2024年5月24日PDF文件第2页

arxiv:2405.11401v2 [eess.sy] 2024年5月24日PDF文件第3页

arxiv:2405.11401v2 [eess.sy] 2024年5月24日PDF文件第4页

arxiv:2405.11401v2 [eess.sy] 2024年5月24日PDF文件第5页

相关文件推荐

2024 年
¥1.0