論文の概要: Distributed Learning of Neural Lyapunov Functions for Large-Scale
Networked Dissipative Systems
- arxiv url: http://arxiv.org/abs/2207.07731v1
- Date: Fri, 15 Jul 2022 20:03:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 19:13:27.778432
- Title: Distributed Learning of Neural Lyapunov Functions for Large-Scale
Networked Dissipative Systems
- Title(参考訳): 大規模ネットワーク型散逸システムのためのニューラルリアプノフ関数の分散学習
- Authors: Amit Jena, Tong Huang, S. Sivaranjani, Dileep Kalathil, Le Xie
- Abstract要約: 本稿では、散逸性非線形サブシステムからなる大規模ネットワークシステムの安定性領域を特徴付ける問題について考察する。
本稿では,サブシステムの分散構造を利用した分散学習手法を提案する。
- 参考スコア(独自算出の注目度): 3.483131882865931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers the problem of characterizing the stability region of a
large-scale networked system comprised of dissipative nonlinear subsystems, in
a distributed and computationally tractable way. One standard approach to
estimate the stability region of a general nonlinear system is to first find a
Lyapunov function for the system and characterize its region of attraction as
the stability region. However, classical approaches, such as sum-of-squares
methods and quadratic approximation, for finding a Lyapunov function either do
not scale to large systems or give very conservative estimates for the
stability region. In this context, we propose a new distributed learning based
approach by exploiting the dissipativity structure of the subsystems. Our
approach has two parts: the first part is a distributed approach to learn the
storage functions (similar to the Lyapunov functions) for all the subsystems,
and the second part is a distributed optimization approach to find the Lyapunov
function for the networked system using the learned storage functions of the
subsystems. We demonstrate the superior performance of our proposed approach
through extensive case studies in microgrid networks.
- Abstract(参考訳): 本稿では,分散計算可能な方法で分散非線形サブシステムからなる大規模ネットワークシステムの安定性領域を特徴付ける問題を考察する。
一般非線形系の安定性領域を推定するための標準的なアプローチは、まず系のリャプノフ函数を見つけ、そのアトラクション領域を安定性領域として特徴づけることである。
しかし、二乗法や二次近似のような古典的アプローチは、リアプノフ函数を大系にスケールしないか、安定性領域の非常に保守的な推定を与える。
そこで本研究では,サブシステムの分散構造を利用した新しい分散学習手法を提案する。
第1部はサブシステムのストレージ機能(lyapunov関数に似ている)を学習するための分散アプローチであり,第2部はサブシステムの学習したストレージ機能を使用してネットワークシステムのためのlyapunov関数を見つけるための分散最適化アプローチである。
マイクログリッドネットワークにおけるケーススタディを通じて,提案手法の優れた性能を示す。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳(メタデータ) (2024-11-04T11:09:58Z) - Stability analysis of chaotic systems in latent spaces [4.266376725904727]
潜在空間アプローチはカオス偏微分方程式の解を推測できることを示す。
また、物理系の安定性を予測できる。
論文 参考訳(メタデータ) (2024-10-01T08:09:14Z) - Neural Lyapunov Control for Discrete-Time Systems [30.135651803114307]
一般的なアプローチは、リャプノフ関数と関連する制御ポリシーの組み合わせを計算することである。
ニューラルネットワークを用いてリアプノフ関数を表現するいくつかの手法が提案されている。
離散時間系におけるニューラルリアプノフ制御の学習のための最初のアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-11T03:28:20Z) - Interval Reachability of Nonlinear Dynamical Systems with Neural Network
Controllers [5.543220407902113]
本稿では、ニューラルネットワークコントローラを用いた非線形連続時間力学系の厳密な検証のための区間解析に基づく計算効率の良いフレームワークを提案する。
混合単調理論に着想を得て,ニューラルネットワークの包摂関数と開ループシステムの分解関数を用いて,閉ループ力学をより大きなシステムに組み込む。
埋め込みシステムの単一軌跡を用いて、到達可能な集合の超矩形超近似を効率的に計算できることが示される。
論文 参考訳(メタデータ) (2023-01-19T06:46:36Z) - Neural Lyapunov Control of Unknown Nonlinear Systems with Stability
Guarantees [4.786698731084036]
本稿では,未知の非線形システムをニューラルネットワークで安定化させ,ニューラルリアプノフ関数を学習するための学習フレームワークを提案する。
未知の非線形システムに対する閉ループ安定性の観点から,提案手法の理論的保証を提供する。
論文 参考訳(メタデータ) (2022-06-04T05:57:31Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - Stability Verification in Stochastic Control Systems via Neural Network
Supermartingales [17.558766911646263]
2つの新しい側面を持つ一般非線形制御問題に対するアプローチを提案する。
我々は、A.s.asymptotic stabilityの証明にランキング・スーパーガレス(RSM)を使用し、ニューラルネットワークの学習方法を提案する。
論文 参考訳(メタデータ) (2021-12-17T13:05:14Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳(メタデータ) (2021-09-06T04:39:06Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - A Multi-Agent Primal-Dual Strategy for Composite Optimization over
Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文 参考訳(メタデータ) (2020-06-15T19:40:24Z) - On dissipative symplectic integration with applications to
gradient-based optimization [77.34726150561087]
本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。
我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
論文 参考訳(メタデータ) (2020-04-15T00:36:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。