用于系统识别和模型预测控制的水库计算方法

《Neural Networks》:Reservoir computing for system identification and model predictive control

【字体: 大 中 小 】 时间:2026年05月13日 来源:Neural Networks 6.3

编辑推荐:

  Jan P. Williams | J. Nathan Kutz | Krithika Manohar摘要模型预测控制(MPC)广泛应用于复杂动态系统的实时控制,其工作原理是通过在不断延长的时间范围内重复求解优化问题来实现的。MPC的成功与否取决于动态模型的准确性以及它们是否足以

  
Jan P. Williams | J. Nathan Kutz | Krithika Manohar

摘要

模型预测控制(MPC)广泛应用于复杂动态系统的实时控制,其工作原理是通过在不断延长的时间范围内重复求解优化问题来实现的。MPC的成功与否取决于动态模型的准确性以及它们是否足以支持快速的在线计算。然而,复杂系统的实际控制模型往往难以确定或计算效率低下,因此MPC不得不依赖数据驱动的替代模型。回声状态网络(ESNs)是一类通过计算效率很高的岭回归算法训练出来的循环神经网络,非常适合这一角色,并且在混沌动态系统中展现出了强大的预测能力。它们的架构天然支持快速训练并能够灵活适应不同的控制输入。在本研究中,我们证明了ESNs在不同控制场景下可以作为有效的系统动态数据驱动替代模型,其性能优于其他竞争算法(如长短期记忆网络LSTM)。在包括Lorenz系统和圆柱体周围流体流动等具有挑战性的控制基准测试中,使用ESN替代模型的MPC始终能够实现控制目标,而次优的LSTM基MPC则经常失败。即使在LSTM基MPC成功的情况下,基于ESN的MPC也能将平均控制成本降低多达10%,并将系统变化的幅度减小85%。除了性能优势外,ESNs在样本使用效率上也明显更高,训练速度比LSTMs快一个数量级。这些结果证明,对于训练数据有限且动态模型未知的复杂系统而言,ESNs是准确且高效的、可扩展的数据驱动MPC架构。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号