Optimal scheduling for reference tracking or state regulation using reinforcement learning

مسئله کنترل بهینه از سیستم های سوئیچینگ غیرخطی مستقل با توابع هزینه افق فزاینده به منظور ردیابی یک خانواده از سیگنال های مرجع یا تنظیمات دولت ها مورد بررسی قرار گرفته است. یک طرح یادگیری تقویت ارائه شده است که راه حل را یاد می گیرد و زمان بندی بین حالت ها را در یک فرم بازخورد بدون اجرای یک دنباله حالت یا تعدادی از سوئیچینگ فراهم می کند. این کار از طریق یک روش مبتنی بر تکرار ارزش انجام می شود. همگرایی طرح یادگیری تکراری با راه حل بهینه ثابت شده است. پس از پاسخ دادن به سؤالات مختلف تحلیلی در مورد راه حل، الگوریتم یادگیری ارائه شده است. در نهایت، تجزیه و تحلیل عددی برای ارزیابی عملکرد تکنیک توسعه یافته در عمل ارائه شده است.