DiffEqFlux.jl实现模型预测控制

DiffEqFlux.jl：神经网络驱动的控制问题求解与微分方程优化

最新推荐文章于 2025-06-09 09:02:27 发布

原创

最新推荐文章于 2025-06-09 09:02:27 发布 · 1.7k 阅读

CC 4.0 BY-SA版权

文章标签：

本文介绍了DiffEqFlux.jl库如何将神经网络整合进微分方程模型中，用于控制问题的优化，通过实例展示了如何定义控制方程、损失函数，并演示了如何使用神经网络作为控制器，通过ADAM和BFGS算法进行参数训练。

DiffEqFlux.jl简介

DiffEqFlux.jl 是 SciML 生态系统的参数估计系统。它是一个高级接口，将所有工具与结合在一起。神经网络可以是模型的全部或一部分。它们可以在微分方程周围、成本函数中或微分方程内部。

控制方程:
$x'' = u^3(t)$

通过优化控制变量: $u (t)$ 使得损失函数最小:

$Loss(θ)=∑i∣∣4−x(ti)∣∣+2∣∣x′(ti)∣∣+∣∣u(ti)∣∣Loss(\theta) = \sum_{i} ||4-x(t_i)||+2||x'(t_i)||+||u(t_i)||$

gsynb6 2022.10.22
您好！我在跑的时候这些库都using了，但是提示LoadError: UndefVarError: FastDense not defined，请问应该怎么解决呢？
- jake484回复gsynb6 2022.10.25
  这个函数找不到了。可能是因为版本更新导致的变化可以去看一下flux.jl的最新的文档
- gsynb6回复gsynb6 2022.10.22
  ERROR: LoadError: UndefVarError: FastDense not defined Stacktrace: [1] top-level scope @ D:\Julia-1.8.2\bin\6.jl:3 [2] include(fname::String) @ Base.MainInclude .\client.jl:476 [3] top-level scope @ REPL[90]:1 in expression starting at D:\Julia-1.8.2\bin\6.jl:3

weixin_49702344 2022.03.14
在吗，我这边运行基于DifferentialEquations.jl建模（julia pro 1.5.3），res1 = DiffEqFlux.sciml_train(loss_adjoint, θ, ADAM(0.005), cb = cb,maxiters=100)这里显示ArgumentError: tuple must be non-empty。我应该怎么解决这个问题。
- jake484回复weixin_49702344 2022.04.05
  应该是某个参数出现了问题，错误信息是元组必须非空，是不是漏了某个参数？