مش بندی بهینه تقریب PWA برای سیستم های غیرخطی به کمک الگوریتم یادگیری تقویتی

مزایای فراوان سیستم Piece-wise Affine(PWA) نسبت به سیستم غیرخطی موجب اهمیت یافتن مدل سازی سیستم ها در این فرم گردیده است. در این مقاله مدل سازی یک سیستم غیرخطی توسط یک مجموعه سیستم PWA ارائه شده است. دقت و پیچیدگی مدل PWA به طور مستقیم به تعداد مدل مورد استفاده و نحوه مش بندی فضای حالت بستگی دارد. با افزایش تعداد زیرسیستم ها در تقریب PWA دقت مدل افزایش می یابد. در حالت کلی مش بندی به صورت تجربی و با سعی و خطا انتخاب می گردد. در این مقاله روشی مبتنی بر تئوری های یادگیری تقویتی جهت تعیین مش بندی بهینه پیشنهاد گردیده است. به کمک شبیه سازی مزایای روش پیشنهادی نشان داده شده است.

کلیدواژه ها:

تقریب سیستم غیرخطی ، سیستم های PWA ، مش بندی فضای حالت ، یادگیری تقویتی