322 articoli
Questo lavoro propone l'integrazione di reti neurali lagrangiane nel framework Dyna per il reinforcement learning basato su modelli, dimostrando che l'uso di ottimizzatori basati sulla stima dello stato accelera la convergenza e migliora l'efficienza rispetto ai metodi black-box tradizionali.
Questo articolo presenta evidenze preliminari sul fatto che gli agenti generativi basati su modelli linguistici di grandi dimensioni (LLM) possono superare la rigidità dei modelli matematici tradizionali per simulare il processo decisionale umano nella gestione della potenza e nelle aste, dimostrando come l'apprendimento in contesto (ICL) permetta di trasferire strategie comportamentali e riprodurre sia comportamenti razionali che deviazioni sistemiche in testbed energetici.
Questo lavoro introduce una tassonomia relativa al compito per gli attuatori nei sistemi non lineari linearizzabili, classificando gli ingressi come essenziali, ridondanti o di destrezza, e dimostra come gli ingressi di destrezza possano essere disattivati dinamicamente per negoziare tra compiti completi e ridotti mantenendo la linearizzazione esatta e garantendo transizioni senza transienti.
Il paper propone il nuovo concetto di "dissipatività stretta a due funzioni di accumulo" per garantire la stabilità asintotica nel controllo predittivo economico, collegando direttamente tale condizione alle funzioni valore e offrendo una verifica più semplice rispetto alla dissipatività stretta classica.
Questo articolo propone un metodo per stimare i tempi di risposta e i tassi di guasto nei sistemi real-time periodici con priorità Rate Monotonic, basandosi su un'approssimazione della distribuzione dei tempi di risposta mediante una miscela di distribuzioni Inverse Gaussian e un algoritmo Expectation-Maximization adattato, la cui efficacia è dimostrata tramite simulazioni estensive.
Il paper presenta un nuovo approccio per la co-ottimizzazione del layout fisico e del controllo di sistemi di trasporto aereo cooperativi, volto a massimizzare precisione e robustezza nel trasporto di carichi attraverso un algoritmo che determina la disposizione ottimale dei droni e il relativo controller.
Il paper presenta DMaC, un nuovo algoritmo distribuito a tempo finito che garantisce la convergenza esatta al massimo stato in reti dirette con collegamenti di comunicazione inaffidabili, sfruttando canali di feedback a banda stretta per un meccanismo di terminazione autonomo e dimostrando la sua efficacia in reti di sensori wireless.
Il paper propone un metodo innovativo che utilizza modelli linguistici su larga scala per guidare la ricerca evolutiva di politiche di controllo interpretabili, rappresentate come programmi in linguaggi standard come Python, per applicazioni in sistemi dinamici come l'oscillazione del pendolo e il gioco della pallina nella tazza.
Il paper propone una nuova strategia di esplorazione mirata per sistemi lineari tempo-invarianti incerti con disturbi limitati in energia, che utilizza un programma semidefinito per garantire una precisione stimata dei parametri senza assumere alcuna distribuzione specifica per i disturbi.
Questo articolo propone un approccio di controllo supervisionato modulare per i sistemi a eventi discreti, implementato su MATLAB e validato su diverse reti IEEE, al fine di ridurre la complessità computazionale e migliorare l'efficacia nel prevedere e mitigare i guasti a cascata nei sistemi di potenza.
Questo articolo propone un framework deterministico basato sul score matching diffusion per il controllo della densità di probabilità di sistemi non lineari, trasformando la sintesi del controllo nel progetto di un processo inverso che guida il sistema verso una distribuzione target.
Questo articolo presenta un solver ottimizzato per la programmazione a coni secondari (SOCP) basato su metodi a punti interni, dotato di uno strumento di generazione del codice in C per l'implementazione in tempo reale su sistemi embedded, che supera le prestazioni dei solutori esistenti nelle applicazioni di guida e controllo.
Questo lavoro stabilisce le condizioni per l'universalità dei simulatori quantistici analogici con controllo globale, dimostrando sperimentalmente su array di atomi di Rydberg come il controllo diretto ottimizzi la sintesi di Hamiltoniani efficaci complessi e la dinamica topologica.
Questo articolo propone un framework di controllo basato su eventi che bilancia prestazioni e frequenza di attuazione mediante regolarizzazione sparsa e un algoritmo di rollout, garantendo stabilità e prestazioni superiori rispetto al controllo periodico.
Questo lavoro propone una strategia di controllo di formazione distribuita per sistemi multi-agente basata su vincoli di simmetria rotazionale, che richiede solo collegamenti per raggiungere una configurazione simmetrica e permette manovre coordinate di traslazione, rotazione e scalatura lungo una traiettoria virtuale.
Questo articolo presenta un metodo di aggregazione predittiva della flessibilità a livello residenziale, combinato con un'ottimizzazione centralizzata, per realizzare uno schema di controllo in tempo reale e rispettoso della privacy dei sistemi di distribuzione a bassa tensione, riducendo i carichi computazionali online attraverso calcoli offline decentralizzati.
Questo lavoro presenta un'analisi e una sintesi di algoritmi di ottimizzazione a tempo discreto che garantiscono convergenza esponenziale certificata e robustezza contro dinamiche di rete commutate, come ritardi variabili e instabilità dei canali, mediante la risoluzione di disuguaglianze matriciali lineari e la ricerca di coefficienti di filtri Zames-Falb.
Questo studio analizza le traiettorie di equilibrio di Nash generalizzato dinamico da una prospettiva sistemica, dimostrando come la dissipatività stretta generi il fenomeno del turnpike, stabilendo un risultato inverso e proponendo penalità terminali lineari per garantire la convergenza verso l'equilibrio di stato stazionario, fornendo così le basi per l'analisi di stabilità e fattibilità ricorsiva nel controllo predittivo basato sulla teoria dei giochi.
Questo paper propone un mercato energetico locale basato su un meccanismo di scambio a orologio combinatorio potenziato dall'apprendimento automatico, che semplifica l'espressione delle preferenze complesse dei prosumer eliminando la necessità di previsioni di prezzo e garantendo una rapida convergenza verso prezzi di clearing trasparenti.
Il paper propone un approccio sicuro e ottimale per l'apprendimento dalle preferenze umane in sistemi autonomi, utilizzando la Logica Temporale Segnale Ponderata (WSTL) trasformata in un problema di Programmazione Lineare Intera Mista per garantire la sicurezza in ambiti critici come la robotica e la Formula 1.