Optimal Adaptive Control and Differential Games by Reinforcement Learning Principles
Los controladores adaptativos y los controladores óptimos son dos métodos distintos para el diseño de sistemas de control automático.
Los controladores adaptativos aprenden en línea y en tiempo real cómo controlar los sistemas, pero no ofrecen un rendimiento óptimo, mientras que los controladores óptimos deben diseñarse fuera de línea utilizando un conocimiento completo de la dinámica de los sistemas. Este libro muestra cómo la programación dinámica aproximada -una técnica de aprendizaje automático por refuerzo motivada por los mecanismos de aprendizaje de los sistemas biológicos y animales- puede utilizarse para diseñar una familia de algoritmos de control óptimo adaptativo que convergen en tiempo real a soluciones de control óptimas mediante la medición de datos a lo largo de las trayectorias del sistema.
El libro también describe cómo utilizar métodos de programación dinámica aproximada para resolver juegos diferenciales multijugador en línea. Los juegos diferenciales han demostrado ser importantes en el control robusto de Hinfinity para el rechazo de perturbaciones, y en la coordinación de actividades entre múltiples agentes en equipos conectados en red. Este libro se centra en los sistemas de tiempo continuo, cuyos modelos dinámicos pueden derivarse directamente de principios físicos basados en dinámicas hamiltonianas o lagrangianas.
A lo largo del libro se ofrecen ejemplos de simulación y se describen varios métodos que no requieren información completa sobre la dinámica de estados. Optimal Adaptive Control and Differential Games by Reinforcement Learning Principles es una adición esencial a las estanterías de los ingenieros mecánicos, eléctricos y aeroespaciales que trabajan en el diseño de sistemas de control por realimentación.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)