English
Invariant Adaptive Dynamic Programming for Discrete-Time Optimal Control
文件大小：
896k
资源说明：Invariant Adaptive Dynamic Programming for Discrete-Time Optimal Control
本文总结了Invariant Adaptive Dynamic Programming（不变自适应动态规划）在离散时间最优控制中的应用。该方法通过迭代地更新政策和不变自适应区域来解决离散时间系统的最优控制问题。该方法结合和平方多项式，可以实现离散时间系统的近似最优控制。在系统动力学不可知的情况下，开发了一种不变自适应动态规划算法，以学习近似最优政策和不变自适应区域。模拟实验验证了该方法的有效性。
知识点一：Invariant Policy Iteration（不变政策迭代）
Invariant Adaptive Dynamic Programming的核心是Invariant Policy Iteration。该方法每次迭代都会评估当前政策的不变自适应区域，并更新政策和区域以供下一个迭代使用。该方法理论分析表明，它可以收敛到最优值和最优政策。
知识点二：Sum-of-Squares Polynomials（和平方多项式）
和平方多项式是一种近似技术，用于近似复杂的值/政策函数。该技术将原始的复杂函数近似为较少参数的紧凑集。和平方多项式在本文中用于实现离散时间系统的近似最优控制。
知识点三：Adaptive Dynamic Programming（自适应动态规划）
自适应动态规划是解决最优控制问题的一种强大工具。与动态规划相比，自适应动态规划可以避免维数灾难，通过与近似技术相结合，例如加莱金近似、神经网络、模糊系统、多项式等。
知识点四：Reinforcement Learning（强化学习）
强化学习是计算智能社区中的一种流行技术。研究人员倾向于使用强化学习来解决最优控制问题。但是，强化学习需要大量的试验数据和计算资源。
知识点五：Optimal Control of Discrete-Time Systems（离散时间系统的最优控制）
离散时间系统的最优控制是一个复杂的问题。Invariant Adaptive Dynamic Programming提供了一种解决该问题的方法，通过迭代地更新政策和不变自适应区域来实现近似最优控制。
知识点六：Regionally Convergent（区域收敛）
Invariant Adaptive Dynamic Programming的理论分析表明，该方法可以收敛到最优值和最优政策。该方法可以在不变自适应区域内收敛到最优解决方案。
knowledge point七：Online Learning（在线学习）
在线学习是指在系统动力学不可知的情况下，使用在线数据来学习近似最优政策和不变自适应区域。该方法可以用于实时控制和在线优化问题。
知识点八：Invariantly Admissible Region（不变自适应区域）
不变自适应区域是指系统可以稳定运行的区域。该区域是Invariant Adaptive Dynamic Programming的关键概念，用于评估政策和更新政策。
知识点九：Discrete-Time Systems（离散时间系统）
离散时间系统是一种常见的系统类型，存在于控制系统、信号处理、通信等领域中。Invariant Adaptive Dynamic Programming提供了一种解决离散时间系统最优控制问题的方法。
知识点十：Policy Iteration（政策迭代）
政策迭代是解决最优控制问题的一种常见方法。Invariant Adaptive Dynamic Programming将政策迭代与不变自适应区域相结合，实现了离散时间系统的近似最优控制。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
