Control de aprendizaje automático

El control por aprendizaje automático ( MLC ) es un subcampo del aprendizaje automático , el control inteligente y la teoría del control que tiene como objetivo resolver problemas de control óptimo con métodos de aprendizaje automático. Las aplicaciones clave son sistemas no lineales complejos para los que los métodos de teoría de control lineal no son aplicables.

Se suelen encontrar cuatro tipos de problemas:

• Identificación de parámetros de control: MLC se traduce en una identificación de parámetros ^[1] si se proporciona la estructura de la ley de control pero se desconocen los parámetros. Un ejemplo es el algoritmo genético para optimizar los coeficientes de un controlador PID ^[2] o el control óptimo de tiempo discreto. ^[3]
• Diseño de control como problema de regresión del primer tipo: el MLC aproxima un mapeo no lineal general de señales de sensores a comandos de actuación, si las señales de sensores y el comando de actuación óptimo son conocidos para cada estado. Un ejemplo es el cálculo de la retroalimentación del sensor a partir de una retroalimentación de estado completo conocida . Las redes neuronales se utilizan comúnmente para tales tareas. ^[4]
• Diseño de control como problema de regresión del segundo tipo: el MLC también puede identificar leyes de control no lineales arbitrarias que minimizan la función de costo de la planta. En este caso, no es necesario conocer ni el modelo, ni la estructura de la ley de control, ni el comando de actuación optimizador. La optimización se basa únicamente en el rendimiento del control (función de costo) medido en la planta. La programación genética es una técnica de regresión poderosa para este propósito. ^[5]
• Control del aprendizaje de refuerzo: La ley de control puede actualizarse continuamente a medida que se producen cambios en el rendimiento medido (recompensas) mediante el aprendizaje de refuerzo . ^[6]

El MLC se ha aplicado con éxito a muchos problemas de control no lineal, explorando mecanismos de actuación desconocidos y a menudo inesperados. Entre las aplicaciones se incluyen las siguientes:

• control de actitud de la nave espacial , ^[7]
• Control térmico de edificios, ^[8]
• Control de turbulencia por retroalimentación , ^{[2] [9]}
• y vehículos submarinos operados a distancia . ^[10]

En el artículo de revisión de PJ Fleming y RC Purshouse (2002) se resumen muchas más aplicaciones de ingeniería de MLC. ^[11]

Como es el caso de todos los métodos no lineales generales, MLC no garantiza la convergencia, la optimalidad o la robustez para un rango de condiciones operativas.

• Aprendizaje por refuerzo