[发明专利]一种基于深度确定性策略梯度的自适应控制方法

说明书

本发明提供了一种基于深度确定性策略梯度的自适应控制方法，依据真实系统特性构建的仿真训练环境；构建状态(观测量)，回报函数，截止条件，动作；构建深度确定性策略梯度方法的critic网络、actor网络和相应的目标网络，通过与仿真训练环境的试错交互进行训练；使用actor网络训练结果作为该系统的控制器。本发明将深度强化学习方法应用于控制器设计，介绍该方法的实施步骤，通过离线仿真训练，达到控制器要求后移植到真实环境中，实现非线性系统自适应控制。

技术领域：

本申请涉及计算机软件技术领域，具体涉及一种基于深度强化学习技术的自适应控制方法。

背景技术：

传统的PID控制器需要系统进行精确建模，并通过拉普拉斯变换将时域模型转换为频域传递函数，再根据根轨迹等方法设计经典PID控制器，该种方法缺点在于非线性问题需要进行线性假设，建模过程较为复杂，并且控制器设计的好坏依赖于所抽象的数学模型精确程度。

本申请所要解决的问题是如何解决非线性系统的控制问题，并且不依赖于精确的数学模型，构建一种无模型控制方法。

发明内容

本申请的目的是提出一种基于深度强化学习技术的自适应控制方法。解决非线性系统的控制问题，并且不依赖于精确的数学模型，构建一种无模型控制方法。

本申请的技术方案包括以下步骤：一种基于深度确定性策略梯度的自适应控制方法，其特征在于：它包括以下步骤：

1)首先依据真实系统特性构建仿真训练环境，仿真训练环境与真实系统保持一致，使环境与强化学习训练进行交互；

2)分别构建状态，回报，动作和截止条件作为深度强化学习的训练要素，动作区间：a∈[A_min,A_max]，根据真实系统进行控制指令限幅；

3)构建critic网络、actor网络和相应的critic-target网络、actor-target网络，上述网络形成神经网络；

4)对critic网络和actor网络进行若干轮训练；本轮训练结束，开始下一轮训练；5)使用训练结果actor网络作为控制器。

所述状态，回报，动作和截止条件分别为状态state：以当前值truevalue，误差值error＝reference–truevalue和误差的积分∫edt作为状态量state；

回报：reward＝10(|e|＜0.1)-1(|e|≥0.1)-100(truevalue≤min||truevalue≥max)如果实际值小于最小值min或最大值max，则回报为-100；如果误差绝对值大于0.1，则回报值为-1；如果误差绝对值小于0.1，则回报值为+10；

截至条件：如果truevalue≤min||truevalue≥max，则本轮训练终止。

对critic网络和actor网络进行训练的流程包括：

a)初始化actor网络和critic网络的神经网络参数θ^Q和θ^μ，并将参数拷贝至actor-target网络和critic-target网络；初始化经验池；

接下来开始进行M轮训练：

b)actor根据actor网络选择一个action，并传递到环境中，a_t＝μ(s_t|θ^μ)+OU_t，其中OU_t表示噪声生成的随机过程；

c)环境执行action后返回回报reward和新的状态state(t+1)；