We propose a model-agnostic stochastic predictive control (MASMPC) algorithm for dynamical systems. The proposed approach first discovers \textit{interpretable} governing differential equations from data using a novel algorithm and blends it with a model predictive control algorithm. One salient feature of the proposed approach resides in the fact that it requires no input measurement (external excitation); the unknown excitation is instead treated as white noise, and a stochastic differential equation corresponding to the underlying system is identified. With the novel stochastic differential equation discovery framework, the proposed approach is able to generalize; this eliminates the repeated retraining phase -- a major bottleneck with other machine learning-based model agnostic control algorithms. Overall, the proposed MASMPC (a) is robust against measurement noise, (b) works with sparse measurements, (c) can tackle set-point changes, (d) works with multiple control variables, and (e) can incorporate dead time. We have obtained state-of-the-art results on several benchmark examples. Finally, we use the proposed approach for vibration mitigation of a 76-storey building under seismic loading.


翻译:我们提议对动态系统采用模型-不可知的预测控制(MAMPC)算法。拟议方法首先发现\ textit{解释性}对使用新算法的数据产生的差异方程式进行管理,并将它与模型预测控制算法混在一起。拟议方法的一个突出特征是,它不需要输入测量(外部引力);未知的刺激被作为白色噪音处理,并确定了一个与基本系统相对应的随机差异方程式。随着新颖的随机差异方程式发现框架,拟议方法能够概括化;这消除了重复的再培训阶段 -- -- 与其他基于机器学习的模型的不可知性控制算法相比,这是一个主要的瓶颈。总体而言,拟议的MASMPC(a) 能够抵御测量噪音,(b) 与稀疏测量一起工作,(c) 能够处理定点变化,(d) 与多个控制变量合作,以及(e) 能够纳入死时。我们在若干基准例子中取得了最新技术结果。最后,我们使用了拟议的76层地震楼的地震压压压制方法。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
25+阅读 · 2021年4月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Arxiv
0+阅读 · 2023年1月24日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
Top
微信扫码咨询专知VIP会员