322 Arbeiten
Diese Arbeit integriert Lagrange-Neuronale Netze in das Dyna-Framework für modellbasiertes Reinforcement Learning, um physikalische Gesetze zu erzwingen und die Vorhersagegenauigkeit zu verbessern, wobei ein zustandsbasiertes Optimierungsverfahren eine schnellere Konvergenz als stochastische Gradientenverfahren aufweist.
Diese Studie zeigt, dass durch Large Language Models betriebene generative Agenten in Experimenten zur Stromverteilung und Auktion menschliche Entscheidungsprozesse flexibler abbilden können als traditionelle mathematische Modelle, indem sie durch In-Context-Learning sowohl rationale Strategien reproduzieren als auch systematische Verhaltensabweichungen aufweisen.
Die Arbeit führt eine aufgabenbezogene Taxonomie von Aktoreingängen für nichtlineare Systeme ein, die es ermöglicht, durch die Identifizierung von „Dexteritäts"-Eingängen einen einheitlichen linearisierenden Regler zu entwerfen, der einen nahtlosen Übergang zwischen vollständigen und reduzierten Aufgaben ohne Transienten auf gemeinsamen Ausgängen erlaubt.
Die Arbeit führt das neuartige Konzept der Zwei-Speicher-strikten Dissipativität ein, das die asymptotische Stabilität ökonomischer modellprädiktiver Regelungen äquivalent garantiert und dabei einen direkteren Bezug zu Wertfunktionen sowie eine einfachere Verifizierbarkeit im Vergleich zur herkömmlichen strikten Dissipativität bietet.
Diese Arbeit stellt eine Methode zur Schätzung der Ausfallraten stationärer periodischer Rate-Monotonic-Echtzeitsysteme vor, die auf einer Approximation der Antwortzeitverteilung durch eine inverse Gaußsche Mischverteilung und einem angepassten Expectation-Maximization-Algorithmus basiert.
Diese Arbeit stellt einen neuartigen Ansatz zur gemeinsamen Optimierung des physischen Layouts und der Regelung eines kooperativen Mehr-UAV-Transportsystems vor, der durch eine robuste H2-inspirierte Metrik und einen experimentell validierten Algorithmus die Störunterdrückung bei der Lastbeförderung maximiert.
Die Arbeit stellt DMaC vor, einen neuartigen verteilten Algorithmus, der in gerichteten Netzwerken mit unzuverlässigen Kommunikationsverbindungen eine exakte Max-Consensus-Berechnung mit deterministischer Konvergenz und einem autonomen Terminierungsmechanismus garantiert.
Diese Arbeit stellt eine Methode vor, die Large Language Models mit evolutionären Algorithmen kombiniert, um interpretierbare Steuerungsrichtlinien als ausführbare Programme für dynamische Systeme zu synthetisieren, anstatt auf undurchsichtige neuronale Netze zurückzugreifen.
Die Autoren stellen eine neue gezielte Explorationsstrategie für unsichere lineare zeitinvariante Systeme mit energiebegrenzten, nicht-stochastischen Störungen vor, die mittels eines Semidefiniten Programms eine garantierte Genauigkeit der Parameterschätzung unter Berücksichtigung anfänglicher Unsicherheiten sicherstellt.
Dieses Papier stellt einen modulare Überwachungssteuerungsansatz für diskrete Ereignissysteme vor, der die Rechenkomplexität reduziert und die Vorhersage sowie Minderung von Kaskadenausfällen in Stromnetzen mittels MATLAB-Simulationen an IEEE-Testsystemen effektiv verbessert.
Dieses Papier stellt einen deterministischen, diffusionsbasierten Rahmen vor, der durch die Umkehrung eines durch Weißrauschen angeregten Vorwärtsprozesses eine Rückkopplungssteuerung für nichtlineare Systeme ableitet, um die Wahrscheinlichkeitsdichte auf eine gewünschte Zielverteilung zu lenken.
Diese Arbeit stellt einen maßgeschneiderten Primal-Dual-Innenpunkt-Solver für Second-Order-Cone-Programmierprobleme vor, der durch eine effiziente Homogenisierung und einen Code-Generator, der C-Code ohne externe Abhängigkeiten erzeugt, besonders für Echtzeit-Anwendungen in der Führungs- und Regelungstechnik auf eingebetteten Plattformen optimiert ist.
Diese Arbeit beweist, dass analoge Quantensimulatoren mit globaler Kontrolle universell sind, entwickelt einen direkten optimalen Kontrollrahmen zur Überwindung experimenteller Einschränkungen und demonstriert experimentell die Realisierung komplexer Vielteilchenwechselwirkungen und topologischer Dynamik auf Rydberg-Atom-Arrays.
Diese Arbeit stellt einen Rollout-basierten Regelungsrahmen vor, der durch sparsity-fördernde Regularisierung einen Kompromiss zwischen Regelgüte und Aktorhäufigkeit findet, während sie Stabilität und Leistungsgarantien gegenüber periodischer Regelung theoretisch nachweist.
Diese Arbeit stellt eine verteilte Steuerungsstrategie für Multi-Agenten-Systeme vor, die ausschließlich auf Rotationssymmetrie-Bedingungen basiert und mit minimaler Konnektivität ( Kanten) eine gewünschte planare Formation sowie koordinierte Manöver ermöglicht.
Diese Arbeit stellt eine prädiktive Aggregationsmethode vor, die durch eine dezentrale, mehrstufige Optimierung in Echtzeit und Offline-Phasen flexible Lastprofile für die effiziente und datenschutzkonforme Steuerung von Niederspannungsnetzen generiert.
Diese Arbeit analysiert und synthetisiert diskrete Optimierungsalgorithmen, die durch die Lösung linearer Matrixungleichungen mit Zames-Falb-Filtern eine zertifizierte exponentielle Konvergenzrate auch unter schwankenden Netzwerkverzögerungen und instabilen Kanäldynamiken garantieren.
Diese Arbeit untersucht Generalisierte Nash-Gleichgewichte (GNE) aus systemtheoretischer Sicht, indem sie die Äquivalenz zwischen strikter Dissipativität und dem Turnpike-Phänomen nachweist, Bedingungen für optimale Betriebspunkte herleitet und lineare Endstrafen zur Sicherung der Konvergenz in spieltheoretischer MPC vorschlägt.
Diese Arbeit stellt einen neuartigen lokalen Energiemarkt vor, der durch die Kombination des kombinatorischen Auktionsmechanismus mit maschinellem Lernen komplexe Präferenzen von Prosumern in einem intuitiven Format erfasst und so die Preisfindung beschleunigt sowie die Transparenz erhöht.
Die vorgestellte Arbeit entwickelt einen effizienten und sicherheitsgarantierten Ansatz, der mittels struktureller Optimierung und Umformulierung als gemischt-ganzzahliges lineares Programm (MILP) aus menschlichen Präferenzen, Rangfolgen oder Demonstrationen optimale Verhaltensstrategien für autonome Systeme in sicherheitskritischen Anwendungen wie Robotik und Formel 1 ableitet.