迭代学习控制研究现状与趋势

系统论述了迭代学习控制的发展历史、研究进展.指出了基于可重复性的经典迭代学习控制特点与不足,阐述了迭代学习控制理论的现状:线性与非线性迭代学习、因果与非因果型迭代学习、滤波器型与鲁棒H∞迭代学习、高阶与最优迭代学习、2D复合迭代学习、迭代域超级矢量w变换学习系统分析理论等.简要介绍了与Lyapunov方法结合的新迭代学习控制,最后讨论了迭代学习控制存在问题和发展趋势.同时给出了几个迭代学习控制在工程应用中的成功范例.     

迭代学习控制的回顾与展望

本文综述了迭代学习控制和神经网络学习研究的概况，并对其存在的问题和发展趋势作了讨论。     

迭代学习控制理论的现状与展望

论述了迭代学习控制的基本理论问题,着重讨论了迭代学习理论研究的现状及其存在的问题,提出了一些有待进一步研究的方 面。     

迭代学习控制现状与展望

迭代学习控制(ILC)作为智能控制的一个分支,经历了约二十年的发展,在理论研究和实际应用方面都取得了可喜的成果,在过程控制中逐渐显现其独到之处。本文在广泛介绍ILC算法的同时,系统地介绍了最近几年ILC理论研究现状、ILC存在的问题和研究方向。     

迭代学习控制的研究现状

迭代学习控制经历了二十多年的发展历程,已经取得了很多研究成果,现已成为智能控制的一个重要研究方向,并得到越来越广泛的应用.本文对迭代学习控制的基本原理和主要研究问题从发展的角度作了详细阐述,并对其应用作了细致介绍.     

迭代学习控制的研究与现状

迭代学习控制适用于工业机器人、数控机床等具有重复运行特性的领域,在非线性、未知模型等系统的控制方面有着独到优势。本文论述了迭代学习控制的基本理论问题,系统介绍了理论研究现状及工程应用,并讨论了其存在的问题和发展趋势。     

迭代学习控制技术回顾与长期学习控制展望

本文首先回顾了迭代学习控制中初始状态漂移问题和单调收敛性分析的研究技术.其次,综述了高阶迭代学习控制机制及其收敛速度比较和有效性.再次,评述了重复运行大系统和变幅值大工业过程的迭代学习控制机理.最后,展望了长期学习控制的研究趋势等.     

迭代学习控制理论的发展动态

迭代学习控制（ILC）适合于具有某种重复运动（运行）性质的被控对象，可 实现有限时间区间上的完全跟踪任务．本文综述了迭代学习控制的基本内容和最新发展动态 ，对迭代学习控制的基本理论进行了分类研究，并讨论其存在的问题和发展趋势．     

迭代学习控制理论进展与挑战

迭代学习控制理论进展与挑战林辉，戴冠中（西北工业大学自动控制系·西安，７１００７２）１前言让控制器本身具有某种“智能”，使得它在控制过程中能不断地完善自己，以使控制效果越来越好．这种具有“学习”能力的控制器一直是控制工程师们追求的目标．自从ＦＵ［‘］...     

多步控制修正下的学习控制

本文研究了线性时不变系统的学习控制问题.在多步控制修正下,得到了几个充分条件.数字例子表明,多步控制修正可较单步修正具有更好的鲁棒性.     

数据驱动控制理论及方法的回顾和展望

给出了数据驱动控制理论和方法相关问题的定义, 从控制理论、实际应用和历史发展趋势三个角度阐述了数据驱动控制的存在背景, 说明了数据驱动控制理论和方法的适用条件. 综述了已有数据驱动控制方法的本质内容和发展历程, 从数据利用的角度指出了已存在的数据驱动控制方法的区别和应用环境, 并对数据驱动控制理论的发展进行了展望.     

Cooperative Multi-Agent Learning: The State of the Art

Cooperative multi-agent systems (MAS) are ones in which several agents attempt, through their interaction, to jointly solve tasks or to maximize utility. Due to the interactions among the agents, multi-agent problem complexity can rise rapidly with the number of agents or their behavioral sophistication. The challenge this presents to the task of programming solutions to MAS problems has spawned increasing interest in machine learning techniques to automate the search and optimization process. We provide a broad survey of the cooperative multi-agent learning literature. Previous surveys of this area have largely focused on issues common to specific subareas (for example, reinforcement learning, RL or robotics). In this survey we attempt to draw from multi-agent learning work in a spectrum of areas, including RL, evolutionary computation, game theory, complex systems, agent modeling, and robotics. We find that this broad view leads to a division of the work into two categories, each with its own special issues: applying a single learner to discover joint solutions to multi-agent problems (team learning), or using multiple simultaneous learners, often one per agent (concurrent learning). Additionally, we discuss direct and indirect communication in connection with learning, plus open issues in task decomposition, scalability, and adaptive dynamics. We conclude with a presentation of multi-agent learning problem domains, and a list of multi-agent learning resources.     

基于因果建模的强化学习控制: 现状及展望

基于因果建模的强化学习技术在智能控制领域越来越受欢迎. 因果技术可以挖掘控制系统中的结构性因果知识, 并提供了一个可解释的框架, 允许人为对系统进行干预并对反馈进行分析. 量化干预的效果使智能体能够在复杂的情况下 (例如存在混杂因子或非平稳环境) 评估策略的性能, 提升算法的泛化性. 本文旨在探讨基于因果建模的强化学习控制技术 (以下简称因果强化学习) 的最新进展, 阐明其与控制系统各个模块的联系. 首先介绍了强化学习的基本概念和经典算法, 并讨论强化学习算法在变量因果关系解释和迁移场景下策略泛化性方面存在的缺陷. 其次, 回顾了因果理论的研究方向, 主要包括因果效应估计和因果关系发现, 这些内容为解决强化学习的缺陷提供了可行方案. 接下来, 阐释了如何利用因果理论改善强化学习系统的控制与决策, 总结了因果强化学习的四类研究方向及进展, 并整理了实际应用场景. 最后, 对全文进行总结, 指出了因果强化学习的缺点和待解决问题, 并展望了未来的研究方向.     

一类输出饱和系统的学习控制算法研究

传感器饱和是控制系统中较为常见的一种物理约束. 本文针对一类含饱和输出的受限系统, 提出了两种学习控制算法. 具体而言, 首先, 对于重复运行的被控系统, 设计了开环P型迭代学习控制器, 实现在有限时间区间内对期望轨迹的完全跟踪, 并在λ范数意义下分析了算法的收敛性, 给出了含饱和输出的迭代学习控制系统的收敛条件. 进而, 针对期望轨迹为周期信号的被控系统, 提出了闭环P型重复学习控制算法, 并分析了这类系统的收敛性条件. 最后, 通过一个仿真实例验证了本文所提算法的有效性.     

时变机器人系统的重复学习控制：一种混合学习方案(英文)

Repetitive learning control is presented for finite- time-trajectory tracking of uncertain time-varying robotic sys- tems.A hybrid learning scheme is given to cope with the con- stant and time-varying unknowns in system dynamics,where the time functions are learned in an iterative learning way,without the aid of Taylor expression,while the conventional differential learning method is suggested for estimating the constant ones. It is distinct that the presented repetitive learning control avoids the requirement for initial repositioning at the beginning of each cycle,and the time-varying unknowns are not necessary to be periodic.It is shown that with the adoption of hybrid learning, the boundedness of state variables of the closed-loop system is guaranteed and the tracking error is ensured to converge to zero as iteration increases.The effectiveness of the proposed scheme is demonstrated through numerical simulation.     

时变机器人系统的重复学习控制: 一种混合学习方案

Repetitive learning control is presented for finite-time-trajectory tracking of uncertain time-varying robotic systems. A hybrid learning scheme is given to cope with the constant and time-varying unknowns in system dynamics, where the time functions are learned in an iterative learning way, without the aid of Taylor expression, while the conventional differential learning method is suggested for estimating the constant ones. It is distinct that the presented repetitive learning control avoids the requirement for initial repositioning at the beginning of each cycle, and the time-varying unknowns are not necessary to be periodic. It is shown that with the adoption of hybrid learning, the boundedness of state variables of the closed-loop system is guaranteed and the tracking error is ensured to converge to zero as iteration increases. The effectiveness of the proposed scheme is demonstrated through numerical simulation.     

深度学习在控制领域的研究现状与展望

深度学习在特征提取与模型拟合方面显示了其潜力和优势. 对于存在高维数据的控制系统, 引入深度学习具有一定的意义. 近年来, 已有一些研究关注深度学习在控制领域的应用. 本文介绍了深度学习在控制领域的研究方向和现状, 包括控制目标识别、状态特征提取、系统参数辨识和控制策略计算. 并对相关的深度控制以及自适应动态规划与平行控制的方法和思想进行了描述. 总结了深度学习在控制领域研究中的主要作用和存在的问题, 展望了未来值得研究的方向.     

带遗忘因子的高阶闭环迭代学习控制器设计

为了解决迭代学习控制对系统存在的不确定性和非重复性干扰的鲁棒性问题，提出了一种带有遗忘因子的高阶闭环迭代学习控制器。该控制器中控制量包括反馈和前馈部分；其中，反馈控制采用简单的HD控制，迭代学习控制器设计为高阶HD型，它以前馈控制的形式作用于对象。通过引入遗忘因子对迭代学习控制器沿迭代方向进行滤波以，削弱系统模型的不确定部分及非重复干扰对系统收敛性的影响。仿真实验证明了该学习控制器的有效性和实用性。