Accelerating genetic optimization of nonlinear model predictive control by learning optimal search space size

要約

非線形モデル予測制御 (NMPC) は、多変量最適化問題を解決して、各制御サイクルにおけるシステムの最適な制御入力を推定します。
このような最適化は、システムに継承される非線形性、高度に結合された入力、システムの物理的制限に関連するさまざまな制約など、いくつかの要因によってさらに困難になります。
これらの要因により、最適化は非凸となり、従来の解決が困難になります。
遺伝的アルゴリズム (GA) は、解の推定に微分計算や勾配評価を含まないため、通常、いくつかのアプリケーション ドメインでこのような最適化に取り組むために広く使用されています。
ただし、GA が最適な制御入力を検索する検索空間のサイズは、高速応答を必要とするシステムに GA を適用するために重要です。
この論文では、最適な検索空間サイズを学習することにより、NMPC の遺伝的最適化を加速するアプローチを提案します。
提案されたアプローチは、多変量回帰モデルをトレーニングして、すべての制御サイクルで最適な最小探索空間を適応的に予測します。
推定された最良の最小サイズの探索空間が GA に供給され、この探索空間内で最適な制御入力を探索できるようになります。
提案されたアプローチは、GA の計算時間を短縮するだけでなく、各サイクルで最適な制御入力を取得する可能性も向上します。
提案されたアプローチは 2 つの非線形システムで評価され、プロセッサーインザループ (PIL) 方式で Nvidia Jetson TX2 組み込みプラットフォームの GPU に実装された他の 2 つの遺伝ベースの NMPC アプローチと比較されました。
結果は、提案されたアプローチにより計算時間が 39 ～ 53\% 削減されることを示しています。
さらに、サイクル時間内で最適な制御入力への収束率が 48 ～ 56\% 増加し、パフォーマンスが大幅に向上します。
ソース コードは GitHub で入手できます。

要約(オリジナル)

Nonlinear model predictive control (NMPC) solves a multivariate optimization problem to estimate the system’s optimal control inputs in each control cycle. Such optimization is made more difficult by several factors, such as nonlinearities inherited in the system, highly coupled inputs, and various constraints related to the system’s physical limitations. These factors make the optimization to be non-convex and hard to solve traditionally. Genetic algorithm (GA) is typically used extensively to tackle such optimization in several application domains because it does not involve differential calculation or gradient evaluation in its solution estimation. However, the size of the search space in which the GA searches for the optimal control inputs is crucial for the applicability of the GA with systems that require fast response. This paper proposes an approach to accelerate the genetic optimization of NMPC by learning optimal search space size. The proposed approach trains a multivariate regression model to adaptively predict the best smallest search space in every control cycle. The estimated best smallest size of search space is fed to the GA to allow for searching the optimal control inputs within this search space. The proposed approach not only reduces the GA’s computational time but also improves the chance of obtaining the optimal control inputs in each cycle. The proposed approach was evaluated on two nonlinear systems and compared with two other genetic-based NMPC approaches implemented on the GPU of a Nvidia Jetson TX2 embedded platform in a processor-in-the-loop (PIL) fashion. The results show that the proposed approach provides a 39-53\% reduction in computational time. Additionally, it increases the convergence percentage to the optimal control inputs within the cycle’s time by 48-56\%, resulting in a significant performance enhancement. The source code is available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google