322 papers
Dit paper introduceert een modelgebaseerde versterkingsleerframework dat Lagrangiaanse neurale netwerken integreert om de dynamica te leren volgens fysische wetten, waarbij wordt aangetoond dat een op toestandschatting gebaseerde optimisatie sneller convergeert dan een stochastische gradientmethode.
Dit artikel presenteert bewijs dat generatieve agenten, aangedreven door grote taalmodellen en in-context learning, de starheid van traditionele wiskundige modellen voor menselijke besluitvorming in energiedispatch en veilingen kunnen overwinnen door zowel economisch rationele strategieën te reproduceren als systematische gedragsafwijkingen te vertonen.
Dit artikel introduceert een taakgerelateerde taxonomie voor actuatoren in niet-lineaire systemen die feedback-lineariseerbaar zijn, waarbij 'dexterity'-inputs worden gedefinieerd als actuatoren die kunnen worden uitgeschakeld om de exacte linearisatie van een gereduceerde taak te behouden, wat leidt tot een verenigde regelaar die naadloos kan schakelen tussen volledige en gereduceerde taken zonder transiënten op gedeelde outputs.
Dit paper introduceert het nieuwe concept van 'two-storage strict dissipativity' als een noodzakelijke en voldoende voorwaarde voor de asymptotische stabiliteit van economische modelpredictieve regeling, waarbij het verband met de waardefunctie wordt gelegd en de verificatie wordt vergemakkelijkt ten opzichte van de traditionele strikte dissipativiteit.
Dit artikel presenteert een methode die gebruikmaakt van het centrale limiettheorema en een gemengde inverse-Gauss-verdeling met een aangepast Expectation-Maximization-algoritme om de responsietijden en faalpercentages van stationaire periodieke Rate Monotonic real-time systemen nauwkeurig te schatten.
Dit artikel presenteert een nieuwe aanpak voor het gezamenlijk optimaliseren van de fysieke lay-out en de regeling van een robuust multi-UAV transportsysteem, waarbij een nieuwe H2-geïnspireerde robustheidsmetode wordt gebruikt om de beste verstoringafwijzing te bereiken bij het dragen van ladingen met diverse vormen.
Dit paper introduceert DMaC, een nieuw gedistribueerd algoritme dat in gerichte netwerken met onbetrouwbare communicatielinks gegarandeerd in eindige tijd exacte max-consensus bereikt via een volledig gedistribueerd eindmechanisme en minimale feedbackkanalen.
Dit artikel presenteert een methode die Large Language Models en evolutionaire algoritmen combineert om interpreteerbare besturingspoliieken in standaard programmeertalen te synthetiseren voor dynamische systemen, zoals de pendel en de bal in de beker, waardoor transparantie en menselijke aanpasbaarheid worden vergroot ten opzichte van traditionele black-box benaderingen.
Deze paper presenteert een nieuwe, robuuste strategie voor gerichte exploratie van onzekere lineaire tijd-invariante systemen met energie-gebonden verstoringen, waarbij via een semidefiniet programma een exploratieplan wordt berekend dat een gewenste nauwkeurigheid van de parameterschatting garandeert zonder aannames over de verdeling van de verstoringen.
Dit artikel presenteert een modulaire supervisory control-methode voor discrete gebeurtenissystemen, geïmplementeerd in MATLAB, die de complexiteit verlaagt en de robuustheid verhoogt bij het voorspellen en mitigeren van kaskaderende storingen in elektriciteitsnetwerken, zoals aangetoond door simulaties op IEEE 30-, 118- en 300-bussystemen.
Dit paper introduceert een deterministisch diffusiemodel voor de regeling en planning van niet-lineaire systemen, waarbij een feedbackwet wordt ontworpen om de toestandsdichtheid via een 'denoising'-proces te sturen naar een gewenste doelformatie.
Dit artikel presenteert een op maat gemaakte tweede-orde kegelprogrammeringsoplosser voor ingebouwde real-time convex optimalisatie, die een efficiënte predictor-corrector methode combineert met een homogene embeddingsframework om kwadratische kostenfuncties direct te verwerken zonder herformulering, en wordt ondersteund door een codegeneratietool die volledig statisch toegewezen C-code genereert die superieur presteert aan bestaande oplossers in toepassingen voor geleiding en besturing.
Dit artikel bewijst dat analoge kwantumsimulatoren met globale besturing universeel zijn voor kwantumberekening, introduceert een direct optimalisatiekader voor de synthese van complexe interacties, en valideert experimenteel de realisatie van topologische dynamica en effectieve meerdeeltjesinteracties op Rydberg-atoomarrays.
Dit artikel introduceert een regelingskader dat prestaties en actuatiefrequentie in evenwicht brengt door middel van een rollout-algoritme met sparsiteitsbevorderende regularisatie, waarbij theoretische prestatiegaranties en stabiliteit worden bewezen.
Dit artikel introduceert een gedistribueerde vormingscontrolestrategie voor multi-agent systemen die uitsluitend gebaseerd is op rotatiesymmetrie-constraints, waarbij een potentiaalfunctie wordt gebruikt om agents naar een gewenste symmetrische configuratie te sturen met minimale connectiviteit en uitgebreide manoeuvreerbaarheid.
Dit artikel presenteert een voorspellende aggregatiemethode voor flexibiliteit in laagspanningsnetwerken die door middel van een privacybehoudend, hybride optimalisatiekader (offline multiparametrisch en online operationeel) real-time sturing mogelijk maakt.
Dit artikel presenteert een analyse en synthese van discrete-tijd optimalisatie-algoritmen met gegarandeerde exponentiële convergentie die robuust zijn tegen wisselende netwerkdynamica, zoals tijdsvertragingen en pakketverlies, door gebruik te maken van lineaire matrixongelijkheden en Zames-Falb-filters.
Dit artikel analyseert dynamische gegeneraliseerde Nash-evenwichten vanuit een systeemtheoretisch perspectief, waarbij het de relatie tussen dissipativiteit en het turnpike-fenomeen onderbouwt en voorwaarden formuleert voor de stabiliteit van speltheoretische modelpredictieve regeling.
Dit paper introduceert een combinatorische klok-uitwisselingsmarkt, versterkt met machine learning, die prosumers in lokale energiemarkten in staat stelt om complexe voorkeuren op een intuïtieve manier te uiten zonder ingewikkelde biedingen of prijsvoorspellingen, wat leidt tot snelle convergentie naar evenwichtsprijzen.
Dit artikel presenteert een veilige en optimale methode voor het leren van voorkeuren in autonome systemen, zoals robots en Formule 1-auto's, door Weighted Signal Temporal Logic te combineren met efficiënte optimalisatietechnieken die complexe constraints omzetten in een Mixed-Integer Linear Program.