Self-Triggered Approximate Optimal Neuro-Control for Nonlinear Systems Through ADP

Self-Triggered Approximate Optimal Neuro-Control for Nonlinear Systems Through Adaptive Dynamic Programming，2024， Bo Zhao , Senior Member, IEEE, Shunchao Zhang , and Derong Liu , Fellow, IEEE

基于自触发和ADP解决非线性系统的近似最优神经控制问题。根据贝尔曼最优性原理，构建一个嵌入更新权重向量的评价网络，近似非线性系统的代价函数。间接求解HJB方程获得近似最优控制输入。为减少通信资源和计算负担、能力消耗，设计自触发条件，以预测最优控制策略更新。李雅普诺夫直接法分析非线性系统稳定性，保证UUB。提出自触发的近似最优神经控制使得系统稳定

时间触发和事件触发，只要吸引状态偏离超过一定阈值（该阈值由事件触发条件决定的），响应使得传感器采样和控制。事件触发基于当前的测量持续监测，事件触发条件决定是否在每次采样时将新的控制信号传给执行器，而自触发中的下一个触发事件是在前一个触发时间瞬间确定的，即传感器不再需要硬件设备连续监测系统状态，嵌入式设备可关闭通信直到下一个传输时间瞬间。

基于自触发的新触发条件，用于预测下一个触发瞬间。临界神经网络权值误差动力学保证渐近稳定，而不是最终一致有界(UUB)。所提出的控制方案权衡资源消耗和系统的性能指标。

Assumption1给出f(x)的Lipschitz 连续。Assumption2给出控制输入矩阵的有界性。Definition1给出控制策略的可容许性。
Theorem1给出nested updating policies确保评价网络权值误差动力学渐进稳定。