抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
モデル予測制御および最適状態およびパラメータ推定のような監視および制御のためのモデルベース最適化アプローチは,多くの工学応用で数十年間使用されてきた。動力学,制約,および望ましい性能基準を記述するモデルは,モデルベースのアプローチの基本である。ディジタル化における最近の技術的進歩,深い学習,および計算力のような機械学習法のおかげで,制御と推定のためのモデルベースのアプローチと並んで機械学習法を使用することへの関心が高まっている。モデルベース制御と最適化のための機械学習を用いた新しい方法と理論的発見の数は急速に増加している。本論文は,機械学習支援最適化,モデル予測制御,および推定問題を迅速に効率的に解くことができる,使いやすいPythonツールボックスの背後にある基本的アイデアと原理を概説する。ツールボックスは,問題を定義するために使用する部品を訓練するために,最先端の機械学習ライブラリを活用する。これにより,得られた最適化問題を効率的に解くことができる。機械学習は,安定化のためのモデル予測制御,設定点追跡,経路追従,および移動水平推定とKalmanフィルタリングへの軌道追跡から,広範囲のタスクのために使用することができる。線形システムでは,埋込みMPCアプリケーションのための迅速なコード生成を可能にする。HILO-MPCは柔軟で適応性があり,特に研究および基本的開発タスクに適している。その単純さと多数の既に実装された例により,強力な教育ツールでもある。ユーザビリティは,一連の応用例を示す。【JST・京大機械翻訳】