שיטות נומריות לפתרון בעיות בקרת מורכבות אופטיות

הקדמה לשליטה אופטית מודרנית

תיאוריית הבקרה האופטימית מתייחסת לשאלה הנדסית בסיסית: כיצד מערכת צריכה להיות מונחת לאורך זמן כדי להשיג את התוצאה הטובה ביותר האפשרית? מסגרת זו מופיעה על פני עיצוב מסלול אווירי, בקרת תהליכים כימיים, ניווט אוטונומי, מדיניות כלכלית מודלים, ואינספור תחומים אחרים שבהם החלטות חייבות לאזן מטרות מתחרות תחת מגבלות.אתגר מתמטי הליבה כרוך בצמצום או במיקסום ביצועים פונקציונליים למשוואות שונות המתארות את המערכת, הדינמיקה, הדינמיקה ומגבלות התפעולית.

פתרונות אנליטיים מסורתיים, שמקורם בחישוב של וריאציות או עיקרון מקסימלי של פונטריידמיין, מספקים תוצאות אלגנטיות להיקף סגור עבור בעיות אידיאליות.עם זאת, יישומים בעולם האמיתי באופן שגרתי מציגים דינמיקה לא לינארית, חללים ארציים גבוהים, מגבלות אי-שוויון וחוסר ודאות שהופכים גישות אנליטיות רק לאסטרטגיות לא-רציונליות.

מדוע שיטות נומריות הן בלתי ניתנות להשגה

בעיות בקרה אופטימליות רבות נתקלו בפועל לא ניתן לפתור באופן אנליטי.

• (ב) דינמיקה של מערכת לא-לינארית (לא) 1 (לא מודים בפתרונות סגורים)
• (FLT:0) מרחבים של שליטה ובקרה גבוהים (FLT:1) אשר מאתגרים טכניקות קלאסיות
• (ב) ,0) מגבלות מורכבות (FLT:1) בשילוב משתנים, בקרה או תנאים מעורבים
• (ב) ,0) , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 , 000 ; ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• דרישות יישום בזמן אמת (FLT): 1 אשר כופים מועדים חישוביים קפדניים

שיטות נומריות מטפלות באתגרים אלה על ידי מחיקת הבעיה המתמשכת לצורה תלת-ממדית סופית שניתן לפתור באמצעות אלגוריתמי אופטימיזציה מבוססים היטב.בחירה של תוכנית פירוק, פתרון, אדריכלות חישובית משפיעה באופן משמעותי על דיוק הפתרון, אמינות ומהירות.

גישות נומריות

שיטות תעמולה ישירות

שיטות ישירות להפוך את בעיית הבקרה האופטימלית ישירות לבעיה תכנות לא ליניארית (NLP) על ידי פיזור הן המדינה והן בקרת מסלולי בקרה.הדינמיקה המערכת מאוכפית באמצעות תנאי מיקום או תוכניות שילוב מוטבע בתוך מגבלות האופטימיזציה. גישה זו מציעה מספר יתרונות: זה באופן טבעי מתאים למגבלות אי-שוויון, מטפל בדינמיקה מורכבת ללא צורך משוואות אדמדומות מפורשות, וממכים מתקדמים של NLP כמו IPT, שיטות פנימיות.

מיקום Direct Collocation

במיקום ישיר, הן משתנה המדינה והן השליטה מאופיינות באמצעות פולינומיס מפוזיטיבי, בדרך כלל מעל ash של נקודות דיסקרטיזציה. משוואות שונות מאוכפימות בנקודות מיקום בתוך כל מרווח באמצעות פולינומיסים אוטגוניים אוטגוניים או ייצוגים ספירה.התקדמות עדכנית כוללת טכניקות הזיכוך אדפטיות שמרכזות באופן אוטומטי נקודות רשת באזורים של שינוי מהיר או ריפוי גבוה, שיפור משמעותי של תכונות דיוק איטיות במיוחד.

ירי מספרי

שיטות ירי מרובות מחלקות את האופק זמן לתוך פלחים ובאופן עצמאי לשלב את הדינמיקה על כל פלח באמצעות אינגרה מספרית.הגבלות המשך לקשר את הקטעים, ואת ה- NLP וכתוצאה מכך הוא נפתר עבור הפרמטרים הבקרה ואת המדינות הראשוניות בכל קטע גבול. גישה זו מציעה שיפור יציבות מספרית עבור מערכות קשיחות ותומכת באופן טבעי על פני פלחי מקבילים.

ירי יחיד

השיטה הישירה הפשוטה ביותר, ירי יחיד, פרמטר את מסלול הבקרה ומשתלב את הדינמיקה של המערכת קדימה מהמצב הראשוני.מצב המסוף וכתוצאה מכך הוא בהשוואה למצב הסופי הרצוי, ואת הפרמטרים השליטה מותאמים באמצעות אופטימיזציה.בעוד פשוט ליישם, ירי אחד יכול לסבול מחוסר יציבות מספרארית עבור אופקים ארוכים או מערכות לא ליניאריות גבוהות, כמו שינויים קטנים בערכים מוקדמים יכולים לייצר סטיית גדולות מאוחר יותר במסלול ההזרקות.

שיטות עקיפות המבוססות על תנאים הכרחיים

שיטות עקיפות ויפתרו את התנאים הדרושים לאופטימליות הנגזרות מהעיקרון של פונטריידמיין.גישה זו מניבה בעיית ערך גבול (BVP) הכוללת את משוואות המדינה, משוואות אדהוטנטיות, ותנאים אופטימליים.התועלת העיקרית היא בנקודת דיוק גבוהה שניתן להשיג כאשר ה- BVP נפתר כראוי, יחד עם התובנה המסופקת על ידי המשתנים התואמים לגבי הרגישות של העלות של האופטימלית.

ירי שיטות עבור BVPs

שיטות ירי לבעיות ערך גבולות מניחות תנאים ראשוניים לא ידועים עבור המשתנים התואמים ושילוב קדימה, התאמת הניחוש בהתבסס על השגיאה של הטרמינל.מספר מקרי הירי והמיקום משפר את העוצמה עבור מערכות רגישות. התפתחויות האחרונות כוללות תוכניות שילוב סינקטיות שמשמרות את המבנה ההמיניסטי של התנאים האופטימליים, שיפור יציבות מספרית לאופקים ארוכים.

גישה ישירה-אי עקיף

שיטות היברידיות משלבות את העוצמה של תמליל ישיר עם הדיוק של ניסוחים עקיפים.גישה אחת משותפת משתמשת שיטה ישירה לספק ניחוש ראשוני עבור המשתנים המודעים, ולאחר מכן מחדד את הפתרון באמצעות פתרון BVP עקיף. גרסה אחרת מנסחת את ה- NLP באמצעות משתנים המייצגים ישירות את מדינות אדמדינט, שמירה על המבנה של התנאים הדרושים תוך ניצול היכולות של ה-ידי ה- NLP של פותרים של ה- NLP.

דיסקורציה מתקדמת ומאש סירוב

h-Methods ו p-Methods

(ה) אסטרטגיות הזיכוך שואבות השראה מניתוח יסוד סופי.FLT:0h-methodsph1: 1 (הראשונה) לחדד את האפר על ידי חלוקת המרווחים באזורים הדורשים החלטה גבוהה יותר, ואילו (FLT:2p-meodsphoris) 3) מגביר את הסדר הפולנומי באופן מהיר, בין היתר, לבין פתרונות תת-מרחביים, אשר היו מעורבים במהירות, בין היתר, ובין אם הם מחליפים את הסדרים, ובין אם הם, ובין אם הם מחליפים, ובין אם הם נמצאים בטכניקות חלקות, ובין אם הם נמצאים בתדירות גבוהה במיוחד, בין היתר, ובין אם הם, ובין אם הם החלוצים, ובין אם הם החלוצים, ובין אם הם נמצאים בטכניקות שונות, ובין אם הם נמצאים בתדירות גבוהה.

מיקום: Global Collocation

שיטות מיקום מקומיות להשתמש פולינומיסים מסדר נמוך על מרווחים קטנים רבים, המציע גמישות ויכולת ללכוד תכונות חדות. שיטות מיקום גלובליות משוערות את המסלול כולו באמצעות סדר גבוה או thogonal פולינומיס, השגת התכנסות אקספוננציאלית לבעיות חלקה.הבחירה בין גישות מקומיות וגלובאליות תלויה בפתרון קבועות, דיוק וביטוח חישובי.

מחשוב מקבילים לבעיות גדולות

הדרישות החישוביות של פתרון בעיות שליטה מורכבות אופטימליות מונעות שימוש נרחב באדריכלות מחשוב מקבילה.מספרי ירי באופן טבעי מתפוגגים על פני מגזרי זמן, עם חישוב האינטגרציה והרגישות של כל פלח שהוקצו למעבדים שונים.שיטות הקוללוקציה גם מקבילים היטב מעבר נקודות עיבוד גרפיות (GPUs) ומפצי מחשוב מבוזרים הוחלו בהצלחה על בעיות עם אלפי משתנים ופרמטרים של המדינה.

קנה מידה במקביל נשאר אזור מחקר פעיל, במיוחד עבור בעיות מעורבים דינמיקות קשיחות או מעצימות צפופה ג'ייקובס. טכניקות כגון שילוב מקביל-בזמן, אשר בו זמנית פותר את המסלול לאורך כל מרווחי הזמן, מציעים את הפוטנציאל למהירויות דרמטיות מעבר מקבילות מרחביות קונבנציונליות.

Machine Learning and Data-Driven Optimal control

הצומת של למידת מכונה ושליטה אופטימלית הפיק גישות חדשות חזקות המסוגלות להתמודד עם בעיות מאתגרות שיטות נומריות מסורתיות.טכניקות אלה הן בעלות ערך במיוחד כאשר דינמיקת המערכת אינה ידועה חלקית, כאשר קבלת החלטות בזמן אמת נדרשת, או כאשר המידתיות של הבעיה עולה על פני אלגוריתמים קונבנציונליים.

נטיות רשת נילי של פונקציות ערכים ומדיניות

רשתות נילי מספקות מחיאות כפיים פונקציונליים גמישים המייצגים פונקציות ערך אופטימליות או מדיניות בקרה.היכולת האוניברסלית של רשתות הזנה קדימה מאפשרת להם ללכוד מערכות יחסים מורכבות, לא לינאריות, אשר יהיה קשה לפרמטר באופן אנליטי.

• (FLT:0) למידה מבוססת על מידע 1:1 מהנתונים המסלולים אופטימליים שנוצרו על ידי פותרים מספריים לא מקוון
• (FLT:0) חיזוק הלמידה של הסימול 1:1 שבו הרשת לומדת באמצעות אינטראקציה בין ניסוי וטרור עם סביבת סימולציה
• (FLT:0) אופטימיזציה למדיניות ניהולית של מדיניות אופטימיזציה FLT:1 אשר מקטין את מטרת השליטה באמצעות אופטימיזציה המבוססת על ⁇ באמצעות הדינמיקה

למידה עמוקה של למידה בשליטה רציפה

למידה עמוקה חיזוק (DRL) התפתחה כגישה טרנספורמטיבית לבעיות בקרה מתמשך.אלגוריתמים כגון Deep Deterministic Policy Gradients (DDPG), Trust Zone Policy Optimization (TRPO), ו Soft Actor-Critic (SAC) יכולים ללמוד מדיניות בקרה יעילה עבור מערכות עם מצב רב-ממדי ומרחבי פעולה.

עבודה חדשה התמקדה בשילוב מגבלות בטיחות למסגרות DRL, תוך התייחסות למגבלה קריטית של פריסת העולם האמיתי.אופטימיזציה של מדיניות מבוזרת, שיטות תפקוד מחסום ואסטרטגיות חקירה בטוחות מאפשרות לסוכני DRL ללמוד תוך שמירה על גבולות תפעוליים.

רשתות ניברס

רשתות עצביות בעלות מודעות לפיזיקה (PINNs) מטביעות את המשוואות השונות השולטות ישירות לאובדן הכשרה ברשת העצבית.עבור בעיות בקרה אופטימליות, PINNs יכול במקביל בקירוב למדינה, לשלוט ולטרטורים מעוקבים תוך סיפוק התנאים הדרושים של אופטימליות. גישה זו מבטלת את הצורך בדור השחוק ויכולה לטפל בדומיינים לא סדירים או בגיאומטריה מורכבת באופן טבעי.

תוצאות חיפוש ואפקטים סטוצ'יסטיים

מערכות בעולם האמיתי בהכרח ניצבות בפני אי-ודאות ממודל שגיאות, הפרעות חיצוניות, ורעש חיישן.שיטות נומריות לשליטה אופטימלית סטוצ'סטית התקדמו באופן משמעותי, תוך שילוב תיאורים פרוביביליסטיים של אי-ודאות לתוך מסגרת האופטימיזציה.

שליטה אופטית

שיטות Robust לייעל את הביצועים עבור מימוש הגרוע של אי הוודאות, מתן שביעות רצון מובטחת תחת הפרעות כבולות. גישות אלה בדרך כלל לנסח בעיה אופטימיזציה מינימקס שניתן לפתור באמצעות תכנות סמי-הפיננסי או שיטות המבוססות על תרחיש.

הזדמנות-Consמוגבלת וסיכון-Averse Formulations

שיטות חלופיות של הזדמנות דורשות מגבלות להיות מרוצה לפחות הסתברות מוגדרת, המציע קרקע ביניים בין אכיפה מעצימה סטנסיונית וגישות סטוצ'סטיות לחלוטין. ניסוחים מורכבים של סיכונים משלבים אמצעים כגון ערך זמני-at-Risk כדי להענשת אירועי זנב.פתרון נומררי של בעיות אלה כרוך לעתים קרובות מחיאות כפיים המבוססים על הדגימה, התפשטות פולינומית או שיטות הרגע.

מודל בקרה חיזוי עם למידה

בקרת מודלים (MPC) פותרת בעיית בקרה אופטימלית סופית בכל שלב, החלת רק את הפעולה הראשונה של שליטה לפני ביצוע הפתרון. מסגרת זו של reding-horizon מספקת איתנות פנימית להפרעות וטעויות מודל. . התפתחויות האחרונות משלבות רכיבי למידה שעדכון מודל המערכת באמצעות נתונים, המאפשר MPC להתאים לתנאים משתנים או לא ידוע.

המונחים: Numerical Software and Implementation

היישום המעשי של שיטות מספריות מתקדמות דורש יישום תוכנה אמין.כמה חבילות בוגרות בשימוש נרחב לתמוך בניסוח בעיות בקרה אופטימלי פתרון:

• (FLT:0GPOPS-IIFLT:1: כלי מבוסס MATLAB באמצעות שיטות פסאודוספקטרליות hp-adaptive עם ניכוי mesh
• (FLT:0)CasadiFLT:1: מסגרת סמלית של הבחנה אוטומטית ושליטה אופטימלית המממשקים עם מספר רב של מעבדי NLP
• (FLT:0)C ⁇ ToolkitFLT:1: סביבה C++ תומכת ירי ישיר ו- MPC בזמן אמת
• (ב) ⁇ : ⁇ : ספריה רובוטית ממוקדת רובוטיקה עם יכולות שליטה אופטימאליות נרחבות ואכיפה
• (ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

בעת בחירת שיטות ותוכנה מספריים, על מתרגלים לשקול את היקף הבעיה, דיוק נדרש, מגבלות בזמן אמת, ואת הזמינות של נגזרות אנליטית.שניתוק אוטומטי יש לחסל במידה רבה את הנטל של התחדשות נגזרת ידנית, אך גודל גרף חישובי ושימוש בזיכרון נשאר שיקולים חשובים לבעיות גדולות.

גבולות מתעוררים

מחשוב קוונטי עבור בקרת אופטימאלית

מחשוב קוונטי מבטיח לפתרון סוגים מסוימים של בעיות אופטימיזציה, כולל אלה המתעוררים בשליטה אופטימלית, עם מהירות אקספוננציאלית על שיטות קלאסיות. Quantum annealing וריאציות של אלגוריתמים קוונטיים מוחלים על בעיות שליטה בקנה מידה קטן, אם כי יתרון קוונטי מעשי נשאר שאלה פתוחה. גישות היברידיות קוונטיות כי הסרת תת-בעיה ספציפית למעבדים קוונטיים עשויים לספק יתרונות לטווח קצר עבור בעיות.

תכנות שונה וסוף-סוף הלמידה

מסגרות תכנות שונות כגון JAX, PyTorch, ו TensorFlow מאפשרות הבחנה אוטומטית באמצעות חישובים מספריים מורכבים, כולל אלגוריתמים של ODE ואופטימיזציה.יכולות אלה תומכות למידה מקצה לקצה של מדיניות בקרה, מודלים דינמיים, פונקציות אובייקטיביות מהנתונים.היכולת להבדיל באמצעות צינור הבקרה כולה מאפשרת אופטימיזציה מבוססת ⁇ של מערכת עיצוב לצד פרמטרים של שליטה.

בטיחות - בקרה מקצועית וסמכותית

כמו שיטות בקרה אופטימליות מופרסות ביישומים קריטיים בטיחותיים כגון נהיגה אוטונומית, ניתוח רובוטי ומערכות כוח, ערבויות פורמליות של ביצועים וסיפוק מעצימות הופכות חיוניות. שיטות פונקציה של גדר ההפרדה, ניתוח יכולת להגיע וגישות מבוססות התכווצות מספקות תעודות מתמטיות שניתן לשלבן במסגרת פתרונות מספריים.דרישות חישוביות של המשך להניע מחקר לטכניקות אימות יעילות.

המלצות מעשיות למתרגלים

יישום מוצלח של שיטות מספריות לבעיות שליטה אופטימליות מורכבות דורש ניסוח בעיות זהירה, בחירת שיטה ו פרמטר כוונון.ההנחיות הבאות משקפות שיעורים נלמדים על פני תחומי יישום מגוונים:

1. (FLT:0)Start עם שיטות ישירותFLT:1 עבור האינטנסיביות שלהם וקלות של טיפול באימונים.התכנת את הבעיה באמצעות חבילת תוכנה נבדקת היטב לפני ניסיון גישות מיוחדות.
2. (FLT:0)Scale ונרמל משתנים 1FLT) כדי לשפר את המיזוג המספרי. המדינה ומשתנה בקרה על פני פקודות גודל יכול לגרום לקשיים בהתכנסות.
3. (ב) איכות נקודת ההתחלה קובעת הצלחה או כישלון הן שיטות ישירות והן עקיפות. השתמש בנספחים המבוססים על פיסיקה או מודלים פשוטים יותר כדי ליצור מסלולים ראשוניים.
4. (FLT:0) Exploit Problem Structure Structure: 1 Sparsity in the Contraint Jacobian and Hesian יכול להפחית באופן דרמטי את עלויות חישוב כאשר מטופל כראוי על ידי פותר ה- NLP.
5. (FLT:0) פתרונות פתרונות Validate (Validate SolutionsFLT:1) על ידי בדיקת התנאים הדרושים של אופטימליות, הדמיה של מסלול הבקרה שהושג עם שילוב נאמנות גבוהה וביצוע ניתוח רגישות.
6. (FLT:0)Consider חם-startingFLT:1 עבור יישומים בזמן אמת.שימוש במידע מפתרונות קודמים יכול להאיץ את ההתכנסות בהגדרות MPC.

מסקנה

התחום של שליטה אופטימלית מספרית ממשיך להתפתח במהירות, מונע על ידי דרישות מיישומים מורכבים יותר ויותר ומופעל על ידי התקדמות בחומרה מחשוב, אלגוריתמי אופטימיזציה ולמידה מכונה. שיטות ליתוק ישיר עם הזיכוך אדפטיטיבי מספק כלים אמינים לפתרון בעיות בעלות ממדים גבוהים, מוגבלות שיטות מאומצת להציע דיוק ותובנה לבעיות שבהן התנאים הדרושים ניתן לפתור ביעילות.

השילוב של גישות אלה למסגרות מאוחדות מייצג כיוון מבטיח למחקר עתידי.שיטות היברידיות המשלבות את העוצמה של תעתיק ישיר עם הדיוק של ניסוחים עקיפים, תוך שילוב רכיבי למידה עבור הסתגלות וטיפול אי ודאות, סביר להניח יגדירו את הדור הבא של כלים אופטימליים מספריים.מתרגלים אשר מבינים את נקודות החוזק והמגבלות של כל גישה, ואשר נשארים מתמשכים עם התפתחויות, יהיו ממוקמים הטוב ביותר כדי להתמודד עם בעיות מתקדמות.