Deep Reinforcement Learning with Guaranteed Performance: A Lyapunov-Based Approach

این کتاب روش‌ها و الگوریتم‌هایی را برای کنترل تطبیقی ​​تقریباً بهینه سیستم‌های غیرخطی، از جمله تجزیه و تحلیل نظری مربوطه و مثال‌های شبیه‌سازی، مورد بحث قرار می‌دهد و دو روش نوآورانه را برای تفکیک افزونگی دستکاری‌کننده‌های اضافی با در نظر گرفتن عدم قطعیت پارامتر و اختلالات دوره ای.

همچنین مجموعه ای از تحقیقات سیستماتیک در مورد یک روش کنترل تطبیقی ​​نزدیک به بهینه بر اساس بسط تیلور، شبکه های عصبی، رویکردهای طراحی برآوردگر، و ایده کنترل حالت لغزشی، با تمرکز بر روی گزارش می دهد. مشکل کنترل ردیابی سیستم های غیر خطی تحت سناریوهای مختلف کتاب با ارائه دو روش حل افزونگی جدید به اوج خود می رسد. یکی به کنترل سینماتیک تطبیقی ​​دستکاری‌کننده‌های زائد می‌پردازد، و دیگری بر تأثیر اختلال ورودی دوره‌ای بر تفکیک افزونگی تمرکز دارد.

هر فصل مستقل به وضوح نوشته شده است، و این کتاب را برای دانشجویان فارغ‌التحصیل و همچنین در دسترس قرار می‌دهد. محققان دانشگاهی و صنعتی در زمینه‌های کنترل تطبیقی ​​و بهینه، روباتیک و شبکه‌های عصبی پویا.

This book discusses methods and algorithms for the near-optimal adaptive control of nonlinear systems, including the corresponding theoretical analysis and simulative examples, and presents two innovative methods for the redundancy resolution of redundant manipulators with consideration of parameter uncertainty and periodic disturbances.

It also reports on a series of systematic investigations on a near-optimal adaptive control method based on the Taylor expansion, neural networks, estimator design approaches, and the idea of sliding mode control, focusing on the tracking control problem of nonlinear systems under different scenarios. The book culminates with a presentation of two new redundancy resolution methods; one addresses adaptive kinematic control of redundant manipulators, and the other centers on the effect of periodic input disturbance on redundancy resolution.

Each self-contained chapter is clearly written, making the book accessible to graduate students as well as academic and industrial researchers in the fields of adaptive and optimal control, robotics, and dynamic neural networks.