دانلود کتاب Reinforcement Learning for Optimal Feedback Control (به فارسی: یادگیری تقویتی برای کنترل بهینه بازخورد) نوشته شده توسط «Rushikesh Kamalapurkar – Patrick Walters – Joel Rosenfeld – Warren Dixon»
اطلاعات کتاب یادگیری تقویتی برای کنترل بهینه بازخورد
موضوع اصلی: مهندسی
نوع: کتاب الکترونیکی
ناشر: Springer International Publishing
نویسنده: Rushikesh Kamalapurkar – Patrick Walters – Joel Rosenfeld – Warren Dixon
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 305
حجم فایل: 15.38 مگابایت
کد کتاب: 331978384X , 9783319783840
نوبت چاپ: 1st ed.
توضیحات کتاب یادگیری تقویتی برای کنترل بهینه بازخورد
یادگیری تقویتی برای کنترل بازخورد بهینه روش های یادگیری تقویتی مبتنی بر مدل و داده محور را برای حل مسائل کنترلی بهینه در سیستم های دینامیکی قطعی غیرخطی توسعه می دهد. به منظور دستیابی به یادگیری در شرایط عدم قطعیت، روشهای مبتنی بر داده برای شناسایی مدلهای سیستم در زمان واقعی نیز توسعه داده شدهاند. این کتاب مزایای به دست آمده از استفاده از یک مدل و استفاده از تجربیات قبلی را در قالب داده های ثبت شده از طریق شبیه سازی و آزمایش نشان می دهد. تمرکز کتاب بر سیستمهای قطعی امکان تحلیل عمیق مبتنی بر لیاپانوف از عملکرد روشهای توصیفشده در مرحله یادگیری و در طول اجرا را فراهم میکند.
برای به دست آوردن یک کنترلکننده بهینه تقریبی، نویسندگان بر نظریهها و روشهایی تمرکز میکنند که در زیر چتر روشهای بازیگر منتقد برای یادگیری ماشین قرار میگیرند. آنها بر ایجاد ثبات در مرحله یادگیری و مرحله اجرا، و یادگیری تقویتی مبتنی بر مدل و داده محور تطبیقی تمرکز می کنند تا به خوانندگان در فرآیند یادگیری کمک کنند، که معمولاً بر اندازه گیری های ورودی-خروجی آنی متکی است.
این تک نگاری به محققان دانشگاهی سوابق رشته های مختلف از مهندسی هوافضا تا علوم کامپیوتر را که علاقه مند به تحلیل عملکردی یادگیری تقویتی بهینه و تئوری تقریب عملکردی هستند، با مقدمه ای خوب برای استفاده از روش های مبتنی بر مدل درمان کامل یک درمان پیشرفته برای کنترل، پزشکانی را که در صنعت فرآیندهای شیمیایی و منبع تغذیه کار می کنند نیز مورد توجه قرار می دهد.
Reinforcement Learning for Optimal Feedback Control develops model-based and data-driven reinforcement learning methods for solving optimal control problems in nonlinear deterministic dynamical systems. In order to achieve learning under uncertainty, data-driven methods for identifying system models in real-time are also developed. The book illustrates the advantages gained from the use of a model and the use of previous experience in the form of recorded data through simulations and experiments. The book’s focus on deterministic systems allows for an in-depth Lyapunov-based analysis of the performance of the methods described during the learning phase and during execution.
To yield an approximate optimal controller, the authors focus on theories and methods that fall under the umbrella of actor–critic methods for machine learning. They concentrate on establishing stability during the learning phase and the execution phase, and adaptive model-based and data-driven reinforcement learning, to assist readers in the learning process, which typically relies on instantaneous input-output measurements.
This monograph provides academic researchers with backgrounds in diverse disciplines from aerospace engineering to computer science, who are interested in optimal reinforcement learning functional analysis and functional approximation theory, with a good introduction to the use of model-based methods. The thorough treatment of an advanced treatment to control will also interest practitioners working in the chemical-process and power-supply industry.
دانلود کتاب «یادگیری تقویتی برای کنترل بهینه بازخورد»
📖 خرید این کتاب
برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمههای زیر کلیک کنید تا پیام آماده برای شما ارسال شود:
پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.