强约束下的网络化控制方法和系统
知识产权简介
本发明提供了一种适配大规模、高效训练、多场景适用的强约束下网络化控制方法,涉及网络化控制与优化、模仿学习、深度神经网络技术领域,包括:步骤S1:提出一种结合神经网络模型和约束优化问题的双阶段策略框架,保证强约束条件的满足;步骤S2:提出一种专家决策获取方法,支持对策略性能与计算复杂度的权衡;步骤S3:提出一种迭代式权重真值获取方法,具有高效、稳定、参数不敏感等特性;步骤S4:提出一种聚焦决策的模仿学习损失与训练算法,实现高效、可扩展训练。 本发明的控制方法可扩展至大规模的实际网络化系统问题,结合约束优化问题求解实现决策的强约束满足,采用模仿学习算法实现高效低成本训练,支撑在供应链库存管理、动态车辆调度、卫星数据传输等多种场景多类实际应用中的落地与推广。
转化前景
针对现有技术中的缺陷,本发明提供一种适配大规模、高效训练、多场景适用的强约束下网络化控制方法。与现有技术相比,本发明具有如下的有益效果: 1.相比于传统的网络化控制方法,本发明是首个具备适配大规模、高效训练、多场景适用三项优良性质的网络化控制方法; 2.本发明构造合理,使用方便,能够克服现有技术的缺陷。 本发明的其他有益效果,将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述,本领域技术人员通过这些技术特征和技术方案的介绍,应能理解所述技术特征和技术方案带来的有益技术效果。