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

要約

遺伝的アルゴリズム (GA) は通常、非線形モデルの予測制御の最適化問題を解決するために使用されます。
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、高速応答システムへの適用性にとって重要です。
この論文は、最適な検索空間サイズを学習することによって NMPC の遺伝的最適化を加速することを提案します。
このアプローチでは、多変量回帰モデルをトレーニングして、制御サイクルごとに検索空間の最適な最小サイズを適応的に予測します。
提案されたアプローチは、GA の計算時間を短縮し、より良い制御入力への収束の可能性を高め、安定した実現可能なソリューションを提供します。
提案されたアプローチは 3 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方式で実装された他の 4 つの進化的アルゴリズムと比較されました。
結果は、提案されたアプローチにより計算時間が 17 ～ 45\% 削減され、収束率が 35 ～ 47\% 増加することを示しています。
ソース コードは GitHub で入手できます。

要約(オリジナル)

Genetic algorithm (GA) is typically used to solve nonlinear model predictive control’s optimization problem. However, the size of the search space in which the GA searches for the optimal control inputs is crucial for its applicability to fast-response systems. This paper proposes accelerating the genetic optimization of NMPC by learning optimal search space size. The approach trains a multivariate regression model to adaptively predict the best smallest size of the search space in every control cycle. The proposed approach reduces the GA’s computational time, improves the chance of convergence to better control inputs, and provides a stable and feasible solution. The proposed approach was evaluated on three nonlinear systems and compared to four other evolutionary algorithms implemented in a processor-in-the-loop fashion. The results show that the proposed approach provides a 17-45\% reduction in computational time and increases the convergence rate by 35-47\%. The source code is available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google