XiaoMi-AI文件搜索系统
World File Search System最优控制
风力涡轮机群隐式相位协调最优控制
惯性质量，J 101 537 . 5 kg m 2 阻尼，B 100 N ms / rad 极对数，p 2 变速箱速比，N 24 . 12 叶片长度 + 轮毂，R m 13 . 5 m 转子电阻，R r 0 . 007 645 44 Ω 转子电感，L r 0 . 007 067 33 H 定子电阻，R s 0 . 009 585 76 Ω 定子电感，L s 0 . 000 252 35 H 定子电流。 d 轴，isdisd ≥ 0 A 定子频率，ω s ω s ≥ 0 rad / s 初始转子频率，ω r 0 2 rad / s 转子频率，ω r ω r ∈ [ 0 , 9 . 208 ] rad / s 直流母线电压，vv ∈ [ 437 , 483 ] V (460 V ± 5%) 直流母线电阻，R 1000 Ω 直流母线电容，C 0 . 1 F 连接电感，L 0 . 001 H 连接电阻，R 0 . 05 Ω 时间窗口 600 s 直流母线电压，vv ′′ ∈ [ − 20 , 20 ] V / s 2
用于对神经系统进行最优控制建模的计算机框架 Rückauer, BJ; Gerven, MAJ van 2023，文章 / 致编辑的信 (Frontiers i
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统（Sussillo，2014）的稳定性和可控性。从高层的角度来看，这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说，神经系统与环境过程形成一个闭环反馈控制器。在第二步中，我们模拟神经系统的退化（例如在传感器或执行器处）并添加一个二级控制器（假肢），目的是恢复行为功能。在此过程中，我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统，从单个神经元到大规模群体，都以复杂的动态为特征，建模和控制可能具有挑战性（Ritt and Ching，2015）。经典控制理论（Khalil，2002；Brunton 和 Kutz，2017；Astrom 和 Murray，2020）为设计控制律提供了强大的工具，并在神经技术领域得到广泛应用，例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制（Shanechi 等人，2016）、癫痫发作缓解的模型预测控制（Chatterjee 等人，2020）以及大脑在认知状态之间转换的机制解释（Gu 等人，2015）。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里，可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平（Fleming 等人，2020a、b）。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法，其中时空皮质动态模型与卡尔曼滤波器相结合，以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则（Friedrich 等人，2021；Linares-Barranco 等人，2022）以及神经形态 BMI 电路（Donati 和 Indiveri，2023）为这项工作做出了贡献，这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性（可实现）或低维系统的假设、对底层动态的知识或所需目标状态的可用性（如帕金森病的 DBS）。本文针对这些局限性做出了两项主要贡献。首先，我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外，这种选择还可以灵活地对不同程度的真实模型进行实验。在这里，我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次，我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设，通过使用强化学习 (RL)（Sutton 和 Barto，2020 年）进行系统识别和合成假肢控制器。
量子技术中的量子最优控制。欧洲研究现状、愿景和目标战略报告
1 引言 量子最优控制理论 (QOCT) 是指一套设计和实现外部电磁场形状的方法，这些电磁场以最佳方式操纵原子或分子尺度上的量子动力学过程 [246]。它建立在更通用的控制理论的基础上，控制理论是在应用数学、工程学和物理学交叉领域发展起来的，涉及操纵动态过程以实现特定任务。主要目标是使所研究的动态系统以最优方式运行并达到其物理极限，同时满足现有设备施加的约束。量子过程也不例外，但控制理论的某些方面必须进行调整，以考虑到量子世界的特殊性。过去几年中，QOCT 已成为新兴量子技术不可或缺的一部分 [6]，证明了控制将科学知识转化为技术 [246]：如果叠加原理是量子力学的核心特征，那么量子控制就是叠加原理在起作用。量子技术需要相对隔离良好、特性良好的量子系统。与化学反应动力学等使用 QOCT 的其他领域相比，这一特性使其成为 QOCT 的理想试验台。另一方面，QOCT 已经成熟到如今已可在实验中使用。QOCT 的下一个挑战是成为一种
通过统一系统建模和缩小搜索空间实现可重构电池系统的高效最优控制
摘要 —可重构电池系统 (RBS) 正在成为一种有前途的解决方案，可提高容错性、充电和热平衡、能量输送等。为了优化这些性能指标，需要制定和解决高维非线性整数规划问题。在此过程中，需要解决来自非线性电池特性、离散开关状态、动态系统配置以及大型系统固有的维数灾难的多重挑战。因此，我们提出了一个统一的建模框架来适应 RBS 的各种潜在配置，甚至涵盖不同的 RBS 设计，大大促进了 RBS 的拓扑设计和优化问题制定。此外，为了解决制定的 RBS 问题，搜索空间被定制为仅包含可行的 SSV，从而确保系统安全运行，同时大幅减少搜索工作量。这些提出的方法侧重于统一系统建模和缩小搜索空间，为有效制定和高效解决 RBS 最优控制问题奠定了坚实的基础。仿真和实验测试证明了所提出方法的准确性和有效性。
嵌入式 SoC 架构实时最优控制的设计空间探索
摘要 — 使资源有限的机器人能够执行计算密集型任务（例如移动和操作）是一项挑战。本项目提供了全面的设计空间探索，以确定适合基于模型的控制算法的最佳硬件计算架构。我们对通用标量、矢量处理器和专用加速器中的代表性架构设计进行了分析和优化。具体来说，我们使用内核级基准和端到端代表性机器人工作负载来比较标量 CPU、矢量机和领域专用加速器。我们的探索提供了定量的性能、面积和利用率比较，并分析了这些具有代表性的不同架构设计之间的权衡。我们证明架构修改、软件和系统优化可以缓解瓶颈并提高利用率。最后，我们提出了一种代码生成流程，以简化将机器人工作负载映射到专用架构的工程工作。
脉冲神经网络的最优控制
控制理论提供了一种自然语言来描述多区域交互和灵活的认知任务，例如隐性注意力或脑机接口 (BMI) 实验，这些实验需要找到足够的局部电路输入，以便以上下文相关的方式控制其动态。在最佳控制中，目标动态应该最大化沿轨迹的长期价值概念，可能受控制成本的影响。由于这个问题通常难以处理，因此当前控制网络的方法大多考虑简化设置（例如，线性二次调节器的变体）。在这里，我们提出了一个数学框架，用于对具有低秩连接的随机脉冲神经元的循环网络进行最佳控制。一个基本要素是控制成本，它惩罚偏离网络默认动态（由其循环连接指定），从而促使控制器尽可能使用默认动态。我们推导出一个贝尔曼方程，该方程指定低维网络状态 (LDS) 的值函数和相应的最佳控制输入。最优控制律采用反馈控制器的形式，如果神经元的脉冲活动倾向于将 LDS 移向更高（更低）值的区域，则该控制器向循环网络中的神经元提供外部兴奋性（抑制性）突触输入。我们使用我们的理论来研究将网络状态引导到特定终端区域的问题，这些终端区域可以位于 LDS 中具有慢速动态的区域内或区域外，类似于标准 BMI 实验。我们的结果为一种具有广泛适用性的新方法奠定了基础，该方法统一了神经计算的自下而上和自上而下的视角。
通过量子学习控制实现线性高斯量子系统的最优控制
有效控制线性高斯量子 (LGQ) 系统是基础量子理论研究和现代量子技术发展中的重要任务。在此，我们提出了一种基于梯度下降算法的通用量子学习控制方法，用于最佳控制 LGQ 系统。我们的方法利用完全描述 LGQ 系统量子态的一阶和二阶矩，灵活地设计用于不同任务的损失函数。我们使用这种方法展示了深度光机械冷却和大型光机械纠缠。我们的方法能够在短时间内对机械谐振器进行快速和深度基态冷却，超越了连续波驱动强耦合机制中边带冷却的限制。此外，即使热声子占有率达到一百，光机械纠缠也可以非常快地产生，并且超过相应稳态纠缠的几倍。这项工作不仅拓宽了量子学习控制的应用范围，而且为 LGQ 系统的最优控制开辟了一条途径。
基于动态规划的蓄热级联热泵系统最优控制方法
摘要 住宅供暖和制冷行业日益电气化，主要使用电动热泵 (HP) 与热能/电能存储系统相结合。虽然这些发展有助于增加该行业中可再生和低碳能源的份额，但要充分利用该技术的潜力，需要对这些系统进行智能控制，以考虑未来预测的可再生能源可用性和相应的 HP 系统性能。然而，以适合智能控制的方式对具有复杂内部动态的系统进行建模具有挑战性。模型需要足够复杂才能准确捕捉系统的非线性和复杂性，同时又要足够快，以便在合适的计算时间内彻底搜索解空间。动态规划 (DP) 是一种很有前途的智能控制方法，因为它结合了使用复杂非线性模型的能力，同时是一种穷举搜索算法，保证找到全局最优值。本文介绍了一个创新的建模框架，该框架包含 HP 变电站主要组件（即 HP 和热能存储 - TES）的降阶模型 (ROM)，以适合在 DP 中使用的方式进行阐述；这些模型包括影响系统性能的重大物理操作约束（例如，HP 压缩机变速、非线性性能系数 - COP - 依赖于室外和配送温度），同时最大限度地减少优化器需要处理的状态变量数量（即 TES 温度、HP 热容量和电容量）。在应用于示例 HP 系统时，我们的系统模型与用作参考基础事实的详细 TRNSYS 对应模型相比表现出色。该系统通过动态规划优化方法实现了显着的成本节约，与传统的基于规则的控制相比，功耗降低了 13%。
量子最优控制的高效量子算法
在本文中，我们提出了高效的量子算法，这些算法比解决量子最优控制问题的经典算法快得多。该问题涉及找到在时间 T 时最大化物理量的控制变量，其中系统由时间相关的薛定谔方程控制。这种类型的控制问题也与机器学习有着错综复杂的关系。我们的算法基于时间相关的汉密尔顿模拟方法和快速梯度估计算法。我们还提供了全面的误差分析，以量化各个步骤的总误差，例如控制函数的有限维表示、薛定谔方程的离散化、数值求积和优化。我们的量子算法需要容错量子计算机。