Controle com machine learning via particle swarm optimization

• Ano de defesa: 2022
• Autor(a) principal: Karmouche, Diogo Cunha José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado de máquina; Enxame de partículas; Pêndulo invertido; Controle adaptativo; Machine learning; Particle swarming; Inverted pendulum; Adaptive control
• Link de acesso: http://hdl.handle.net/11449/217555

Aprendizado de máquina é uma área em grande desenvolvimento e promissora, sendo utilizada na resolução de problemas com o mínimo ou nenhuma interferência humana. Em teoria de controle diferentes abordagens para elaboração de leis de controle são utilizadas, com aprendizado de máquina tais abordagens podem ser divididas em, identi cação de parâmetros do sistema para aplicar técnicas de controle convencionais e elaborar diretamente a estrutura e parâmetros da lei de controle. Neste contexto, a elaboração direta da estrutura de controle permite uma abordagem sem conhecimento prévio do sistema em questão. Assim, este trabalho visa apresentar o controle de um sistema não linear como pêndulo invertido utilizando aprendizado de máquina por meio do algoritmo otimização por enxame de partículas, onde os parâmetros do sistema, como massa do carro, comprimento da haste do pêndulo e os coe cientes de atrito, serão alterados. Para isso, foram utilizadas 5 populações de vetores de ganho, que foram geradas de maneiras diferentes, uma de maneira aleatória, duas pelo regulador quadrático linear e duas pelo regulador quadrático linear descrito por desigualdade de matriz linear. Deste modo, foi visto como que o apredizado de máquina utilizando o enxame de partículas gera vetores de controle para controla um sistema que sofrerá alterações com o decorrer das iterações.