arXiv · 14.07.2026 ·Машинное обучение

Ускорение сценарного модельного предиктивного управления с помощью машинного обучения

Исследователи представили новый метод ускорения сценарного модельного предиктивного управления (SBMPC), который позволяет преодолеть проблему высокой вычислительной сложности при работе с неопределенностью. Интеграция методов машинного обучения в процесс оптимизации сценариев дает возможность выполнять планирование и управление в реальном времени, значительно сокращая временные затраты на вычисления по сравнению с классическими подходами.

Традиционный подход SBMPC требует оптимизации управляющих воздействий по множеству возможных сценариев, что приводит к экспоненциальному росту нагрузки при увеличении горизонта прогнозирования. Предложенный алгоритм использует обученные модели для аппроксимации или сокращения пространства поиска, сохраняя при этом точность принятия решений, необходимую для динамических систем.

Этот подход открывает возможности для внедрения сложных систем управления в робототехнику и автономные транспортные средства, где критически важна низкая задержка обработки данных. Метод позволяет эффективно масштабировать количество учитываемых сценариев, не жертвуя производительностью системы в условиях высокой неопределенности внешней среды.

Ключевые факты

Метод направлен на решение проблемы вычислительной сложности в SBMPC при работе с неопределенностью.
Использование машинного обучения позволяет оптимизировать процесс планирования для работы в режиме реального времени.
Алгоритм эффективно справляется с ростом количества сценариев и горизонта прогнозирования, которые ранее ограничивали применение метода.
Исследование сфокусировано на повышении эффективности управления динамическими системами в условиях непредсказуемых внешних факторов.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · ИИ в бизнесе Оптимизация производства в строительстве с помощью глубокого обучения Исследователи представили метод глубокого обучения с подкреплением (DRL), адаптированный для управления производством модульных строительных конструкций. Алгоритм учитывает временные задержки, возникающие при технологических процессах, таких как сушка бетона или проверка герметичности. Внедрение модели позволяет эффективно планировать работу цехов, минимизируя простои оборудования и повышая общую пропускную способность заводских линий в условиях гибкого производства. arXiv · Исследования и наука PAC-байесовские гарантии для управления замкнутыми системами Исследователи представили новый метод получения теоретических гарантий для систем управления с обучением, использующих квадратичные функции потерь. Традиционные PAC-байесовские подходы сталкивались с трудностями из-за неограниченного характера таких функций, однако использование параметризации System Level Synthesis (SLS) позволило эффективно оценить поведение системы и обеспечить надежность предсказаний на ограниченных выборках данных. arXiv · Машинное обучение Ускорение байесовского вывода в эпидемиологических моделях через SBI Исследователи представили метод вывода на основе симуляций (Simulation-based inference, SBI) для калибровки эпидемиологических моделей. Новый подход позволяет значительно ускорить оценку параметров по сравнению с традиционными методами Монте-Карло по марковским цепям (MCMC). Это критически важно для высокоразмерных нелинейных систем, где требуется оперативный анализ данных в режиме, близком к реальному времени. arXiv · Исследования и наука Байесовское принятие решений в условиях состязательной неопределенности Исследователи представили новый подход к байесовскому планированию экспериментов, ориентированный на устойчивость принятия решений в условиях состязательной неопределенности. В отличие от классических методов, предполагающих точность моделей исходов, новая методология учитывает возможные возмущения данных. Это позволяет создавать системы, чьи выводы остаются надежными даже при наличии внешних искажений, что критически важно для автоматизированного научного поиска и принятия решений. arXiv · Исследования и наука Новый метод Graph Sparse Sampling для планирования в непрерывных пространствах состояний Исследователи представили метод Graph Sparse Sampling (GSS), решающий проблему экспоненциального роста вычислительных затрат при планировании в непрерывных марковских процессах принятия решений (MDP). В отличие от классического поиска по дереву, GSS использует графовую структуру, что позволяет эффективно преодолеть «проклятие горизонта» и значительно сократить бюджет выборки при глубоком планировании в сложных динамических средах. arXiv · Машинное обучение Новый метод обучения с подкреплением для задач с параметризованными действиями Исследователи представили новый подход к обучению с подкреплением в средах с параметризованными действиями (PAMDP), где агент должен выбирать как дискретное действие, так и сопутствующие ему числовые параметры. Метод использует комбинацию экспертных знаний и градиентной оптимизации, что позволяет значительно повысить эффективность использования обучающих выборок по сравнению с традиционными одношаговыми оценщиками параметров. arXiv · Исследования и наука Новый метод байесовского планирования экспериментов Action-BED Исследователи представили метод Action-BED, который решает проблему сложности байесовского планирования экспериментов (BED). Традиционные подходы в этой области опираются на максимизацию снижения неопределенности, что приводит к созданию так называемых «дважды трудноразрешимых» целевых функций. Оптимизация таких функций требует значительных вычислительных ресурсов и часто не учитывает специфику конкретных прикладных задач, для которых проводятся исследования. arXiv · Машинное обучение Новые теоретические гарантии для алгоритма Bregman ADMM в невыпуклой оптимизации Исследователи представили анализ алгоритма Bregman ADMM для решения задач невыпуклой оптимизации с линейными ограничениями. Авторы заменили стандартное предположение о липшицевости градиента на условие относительной гладкости, основанное на сравнении гессианов относительно ядра Брегмана. Это позволяет эффективно оптимизировать сложные полиномиальные целевые функции в матричных и тензорных моделях, где глобальная константа Липшица зачастую отсутствует. arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Машинное обучение Новый метод оценки обобщающей способности моделей через PAC-Bayes Исследователи представили новый подход к дерандомизации PAC-Bayes оценок для функций потерь с высокой степенью гладкости. Традиционные методы оценки обобщающей способности моделей часто опираются на вероятностные предсказатели, что затрудняет их прямое применение к детерминированным алгоритмам. Авторы работы предлагают математический аппарат, позволяющий переносить теоретические гарантии с ансамблей типа Gibbs на конкретные детерминированные модели, используя свойства гладкости функции потерь и класса предсказателей.

← Все материалы