Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
The Essentials of Model Predictive Control Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Probing and Duality in Stochastic Model Predictive Control

verfasst von : Martin A. Sehr, Robert R. Bitmead

Erschienen in: Handbook of Model Predictive Control

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In a general nonlinear setting, stochastic optimal control involves the propagation of the conditional probability density of the state given the input signal and output measurements. This density is known as the information state in control circles and as the belief state in artificial intelligence and robotics squares. The choice of control signal affects the information state so that state observability becomes control-dependent. Thus, the feedback control law needs to include aspects of probing in addition to, or more accurately in competition with, its function in regulation. This is called duality of the control. In the linear case, this connection is not problematic since the control signal simply translates or recenters the conditional density without other effect. But for nonlinear systems, this complication renders all but the simplest optimal control problems computationally intractable.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Moving Horizon Estimation
Nächstes Kapitel Economic Model Predictive Control: Some Design Tools and Analysis Techniques
Fußnoten
1
Here γ ⋆ is the target signal-to-noise ratio for a given bit-error rate [21].
 
Literatur
1.
Allison, B., Ciarniello, J., Tessier, P., Dumont, G.: Dual adaptive control of chip refiner motor load. Automatica 31(8), 1169–1184 (1995)MathSciNetCrossRef
2.
Anderson, B., Johnson, Jr., C.: Exponential convergence of adaptive identification and control algorithms. Automatica 18(1), 1–13 (1982)MathSciNetCrossRef
3.
Bitmead, R., Gevers, M.: Riccati difference and differential equations: convergence, monotonicity and stability. In: Bittanti, S., Laub, A., Willems, J. (eds.) The Riccati Equation, Communications and Control Engineering, pp. 263–291. Springer, New York (1991)CrossRef
4.
Bitmead, R., Gevers, M., Wertz, V.: Adaptive Optimal Control: The Thinking Man’s GPC. Series in Systems and Control Engineering. Prentice Hall, Englewood Cliffs (1990)
5.
Blackmore, L., Ono, M., Bektassov, A., Williams, B.C.: A probabilistic particle-control approximation of chance-constrained stochastic predictive control. IEEE Trans. Robot. 26(3), 502–517 (2010)CrossRef
6.
Cover, T., Thomas, J.: Elements of Information Theory. Wiley, New York (2006)MATH
7.
Doucet, A., de Freitas, J., Gordon, N.: Sequential Monte Carlo Methods in Practice. Springer, New York (2001)CrossRef
8.
Filatov, N., Unbehauen, H.: Adaptive Dual Control. Springer, New York (2004)CrossRef
9.
Filatov, N.M., Unbehauen, H.: Survey of adaptive dual control methods. IEE Proc. Control Theory Appl. 147, 118–128 (2000)CrossRef
10.
Genceli, H., Nikolaou, M.: New approach to constrained predictive control with simultaneous model identification. AIChE J. 42(10), 2857–2868 (1996)MathSciNetCrossRef
11.
Goodwin, G., Payne, R.: Dynamic System Identification: Experiment Design and Data Analysis. Academic, New York (1977)MATH
12.
Goodwin, C.G., Sin, K.S.: Adaptive Filtering Prediction and Control. Prentice-Hall, Englewood Cliffs (1984)MATH
13.
Goodwin, G.C., Kong, H., Mirzaeva, G., Seron, M.M.: Robust model predictive control: reflections and opportunities. J. Control Decis. 1(2), 115–148 (2014)CrossRef
14.
Green, M., Moore, J.: Persistence of excitation in linear systems. Syst. Control Lett. 7, 351–360 (1986)CrossRef
15.
Ha, M.H., Bitmead, R.: Optimal dual adaptive agile mobile wireless power control. Automatica 74, 84–89 (2016)MathSciNetCrossRef
16.
Hayashi, F.: Econometrics. Princeton University Press, Princeton, NJ (2000)MATH
17.
Ismail, A., Dumont, G.: Dual adaptive control of paper coating. IEEE Trans. Control Syst. Technol. 11(3), 289–309 (2003)CrossRef
18.
Keerthi, S., Gilbert, E.: Optimal, infinite horizon feedback laws for a general class of constrained discrete time systems: stability and moving horizon approximations. J. Optim. Theory Appl. 57, 265–293 (1988)MathSciNetCrossRef
19.
Kouvaritakis, B., Cannon, M.: Model Predictive Control. Springer, Cham (2016)CrossRef
20.
Kumar, P.R., Varaiya, P.: Stochastic Systems: Estimation, Identification, and Adaptive Control. Prentice-Hall, Englewood Cliffs (1986)MATH
21.
Lee, E.A., Messerschmitt, D.G.: Digital Communication, 2nd edn. Kluwer Academic, Boston (1990)
22.
Li, Y., Leith, D., Shorten, R.: Experimental evaluation of TCP protocols for high-speed networks. IEEE-ACM Trans. Netw. 15, 1109–1122 (2007)CrossRef
23.
Liu, A., Bitmead, R.: Stochastic observability in network state estimation and control. Automatica 47, 65–78 (2011)MathSciNetCrossRef
24.
Marafioti, G., Bitmead, R., Hovd, M.: Persistently exciting model predictive control. Int. J. Adapt. Control Signal Process. 28, 536–552 (2014)MathSciNetCrossRef
25.
Mayne, D.Q.: Model predictive control: recent developments and future promise. Automatica 50(12), 2967–2986 (2014)MathSciNetCrossRef
26.
Mayne, D.Q., Raković, S.V., Findeisen, R., Allgöwer, F.: Robust output feedback model predictive control of constrained linear systems: time varying case. Automatica 45(9), 2082–2087 (2009)MathSciNetCrossRef
27.
Mesbah, A.: Stochastic model predictive control: an overview and perspectives for future research. IEEE Control System 36(6), 30–44 (2016)MathSciNetCrossRef
28.
Schwarm, A.T., Nikolaou, M.: Chance-constrained model predictive control. AIChE J. 45(8), 1743–1752 (1999)CrossRef
29.
30.
Sehr, M.A., Bitmead, R.R.: Sumptus cohiberi: the cost of constraints in MPC with state estimates. In: American Control Conference, pp. 901–906, Boston (2016)
31.
Sehr, M.A., Bitmead, R.R.: Particle model predictive control: tractable stochastic nonlinear output-feedback MPC. In: Proceedings of IFAC World Congress, Toulouse (2017)
32.
Sehr, M.A., Bitmead, R.R.: Tractable dual optimal stochastic model predictive control: an example in healthcare. In: Proceedings 1st IEEE Conference on Control Technology and Applications, Kohala Coast (2017)
33.
Sehr, M.A., Bitmead, R.R.: Performance of model predictive control of POMDPs. In: Proceedings of 17th European Control Conference, Limassol Cyprus (2018)
34.
Simon, D.: Optimal State Estimation: Kalman, H∞, and Nonlinear Approaches. Wiley, Hoboken (2006)CrossRef
35.
Steele, R.: Mobile Radio Communications. IEEE Press, Piscataway (1992)
36.
Sui, D., Feng, L., Hovd, M.: Robust output feedback model predictive control for linear systems via moving horizon estimation. In: American Control Conference, pp. 453–458, Seattle (2008)
37.
Sunberg, Z., Chakravorty, S., Erwin, R.S.: Information space receding horizon control. IEEE Trans. Cybern. 43(6), 2255–2260 (2013)CrossRef
38.
Willems, J., Rapisarda, P., Markovsky, I., De Moor, B.: A note on persistency of excitation. Syst. Control Lett. 54(4), 325–329 (2005)MathSciNetCrossRef
39.
Yan, J., Bitmead, R.R.: Incorporating state estimation into model predictive control and its application to network traffic control. Automatica 41(4), 595–604 (2005)MathSciNetCrossRef
Metadaten
Titel
Probing and Duality in Stochastic Model Predictive Control
verfasst von
Martin A. Sehr
Robert R. Bitmead
Copyright-Jahr
2019
Buch
Handbook of Model Predictive Control

Print ISBN: 978-3-319-77488-6

Electronic ISBN: 978-3-319-77489-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-77489-3_6

Neuer Inhalt

    Bildnachweise