Сравнение классических алгоритмов контроля и методов обучения с подкреплением на примере промышленной эталонной модели в контексте адаптивных цифровых двойников

Сравнение классических алгоритмов контроля и методов обучения с подкреплением на примере промышленной эталонной модели в контексте адаптивных цифровых двойников

Щелов В.А. (МФТИ ФПМИ, Московская. обл., Россия)

Аннотация

Представлены результаты исследования нескольких архитектурных подходов к созданию адаптивных контроллеров на базе обучения с подкреплением (RL) для задачи управления бинарной дистилляционной колонной. Проведен анализ влияния формы функции вознаграждения и структуры нейронной сети на эффективность обучения, что ранее не получало достаточного освещения в литературе. Показано, что класс нейронных сетей на базе радиальных базисных функций, может быть расширен за счет использования полносвязных нейронных сетей с несколькими слоями и значительным числом нейронов в скрытом слое. Результаты исследования свидетельствуют, что архитектуры, в которых RL подбирает параметры конвенционального регулятора, демонстрируют лучшие показатели и требуют значительно меньшего количества итераций для достижения оптимальной производительности по сравнению с использованием чистого подкрепления.

Ключевые слова

обучение с подкреплением; адаптивные контроллеры; гибридные системы управления.

Издание

Труды Института системного программирования РАН, том 38, вып. 6, часть 1, 2026, стр. 161-176.

ISSN 2220-6426 (Online), ISSN 2079-8156 (Print).

DOI: 10.15514/ISPRAS-2026-38(6)-10

Для цитирования

Щелов В.А. Сравнение классических алгоритмов контроля и методов обучения с подкреплением на примере промышленной эталонной модели в контексте адаптивных цифровых двойников. Труды Института системного программирования РАН, том 38, вып. 6, часть 1, 2026, стр. 161-176. DOI: 10.15514/ISPRAS-2026-38(6)-10.

Полный текст статьи в формате pdf Вернуться к содержанию тома