Lasso-MPC – Predictive Control with ℓ1-Regularised Least Squares

این پایان نامه یک استراتژی جدید کنترل پیش‌بینی مدل (MPC) را پیشنهاد می‌کند که تابع هزینه معمول MPC را به منظور دستیابی به یک تحریک پراکنده مطلوب تغییر می‌دهد. این دارای یک تابع کاهش حداقل مربعات منظم ℓ1 است، که در آن واریانس خطای کنترل با مجموع بزرگی کانال های ورودی (یا نرخ حرکت) در کل طول افق رقابت می کند. در حالی که تکنیک‌های کنترل استاندارد منجر به حرکت مداوم همه محرک‌ها می‌شود، این رویکرد امکان استفاده از زیرمجموعه انتخابی از محرک‌ها را فراهم می‌کند و بقیه در شرایط استثنایی وارد بازی می‌شوند. از همین رویکرد می توان برای به دست آوردن مداخلات محرک ناهمزمان نیز استفاده کرد، به طوری که اقدامات کنترلی تنها در پاسخ به اختلالات بزرگ انجام می شود. این پایان نامه یک رویکرد ساده و سیستماتیک برای دستیابی به این ویژگی های عملی ارائه می دهد که توسط نظریه کنترل جریان اصلی نادیده گرفته می شوند.

This thesis proposes a novel Model Predictive Control (MPC) strategy, which modifies the usual MPC cost function in order to achieve a desirable sparse actuation. It features an ℓ1-regularised least squares loss function, in which the control error variance competes with the sum of input channels magnitude (or slew rate) over the whole horizon length. While standard control techniques lead to continuous movements of all actuators, this approach enables a selected subset of actuators to be used, the others being brought into play in exceptional circumstances. The same approach can also be used to obtain asynchronous actuator interventions, so that control actions are only taken in response to large disturbances. This thesis presents a straightforward and systematic approach to achieving these practical properties, which are ignored by mainstream control theory.