MARC

 008240219s2023        ulk                      00        kor
■001000016933193
■00520240214101216
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380153805
■035    ▼a(MiAaPQ)AAI30525938
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aLe,  Justin  Huynh.
■24510▼aSoft-Reset  Control  and  Optimization▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  California,  Santa  Barbara.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(149  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Teel,  Andrew  R.  .
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Santa  Barbara,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aReset  control  is  a  technique  that  augments  traditional  dynamic  feedback  controllers  with  a  mechanism  to  adaptively  or  periodically  reset  a  memory  state  in  such  a  way  as  to  improve  transient  closed-loop  behaviors  such  as  overshoot  and  settling  time.  It  has  been  shown  to  overcome  inherent  limitations  of  linear  time-invariant  controllers,  enabling  performance  improvements  in  a  wide  variety  of  applications,  including  industrial  high-precision  motion  systems  and  electromechanical  automotive  systems.  As  reset  control  finds  broader  applications,  it  faces  challenges  in  implementation  and  analysis,  especially  due  to  the  prevalence  of  nonlinearities,  such  as  those  arising  in  the  dynamics  of  robotic  and  vehicular  systems,  as  well  as  those  arising  in  the  cost  functions  that  are  to  be  optimized  in  such  systems.  One  challenge  lies  in  the  need  for  a  feature  known  as  temporal  regularization,  which  is  generally  necessary  to  guarantee  robust  stability  properties  of  reset  control  systems  and  can  be  difficult  to  implement  effectively  while  preserving  benefits  of  resets.  Another  challenge  lies  in  the  inherent  discontinuity  of  control  signals  produced  by  reset  controllers,  which  can  be  detrimental  to  hardware  in  physical  systems.  This  dissertation  studies  the  recently  introduced  notion  of  soft  resetting,  which  addresses  the  above  limitations  by  implementing  reset  behaviors  in  an  approximate  sense,  allowing  resets  to  occur  gradually  rather  than  instantaneously  and  doing  so  with  tunable  fidelity  of  approximation.  It  is  shown  that,  if  a  traditional  reset  controller  admits  a  strongly  convex  energy  function  that  certifies  passivity,  there  exists  a  soft-reset  controller  that  approximates  the  behavior  of  the  traditional  controller  while  inheriting  its  passivity  properties.  The  implications  of  this  result  are  discussed  for  nonlinear  and  multi-agent  problems  having  nonlinear  cost  functions  to  be  optimized  in  steady  state.  Then,  connections  are  drawn  between  discrete-time  analogues  of  soft-reset  systems  and  accelerated  gradient  methods  for  numerical  optimization,  for  which  resetting  has  historically  been  referred  to  as  restarting  and  has  been  shown  to  improve  convergence  behaviors  in  applications  such  as  machine  learning.  Specifically,  for  convex  problems,  linear  matrix  inequalities  are  constructed  for  numerically  certifying  exponential  convergence,  while  for  nonconvex  problems,  asymptotic  stability  in  probability  of  global  minima  is  studied  for  a  class  of  stochastically  perturbed  accelerated  gradient  methods  with  resets.  Soft  resetting  is  numerically  demonstrated  on  various  problems,  including  vehicular  formation  control  and  online  parameter  identification.
■590    ▼aSchool  code:  0035.
■650  4▼aSystems  science.
■650  4▼aApplied  mathematics.
■653    ▼aOptimization
■653    ▼aReset  control
■653    ▼aOnline  parameter
■653    ▼aAutomotive  systems
■690    ▼a0790
■690    ▼a0364
■71020▼aUniversity  of  California,  Santa  Barbara▼bElectrical  &  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0035
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933193▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서