Controle com machine learning via particle swarm optimization

Detalhes bibliográficos
Autor(a) principal: Karmouche, Diogo Cunha José
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/217555
Resumo: 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.
id UNSP_c580fa218c5a3ee15759a1370872700b
oai_identifier_str oai:repositorio.unesp.br:11449/217555
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Controle com machine learning via particle swarm optimizationMachine learning control through particle swarm optimizationAprendizado de máquinaEnxame de partículasPêndulo invertidoControle adaptativoMachine learningParticle swarmingInverted pendulumAdaptive controlAprendizado 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.Machine learning is an area of great development and promise, being used to solve problems with minimal human interference. In theory, the applied control approaches for the construction of control laws are used, with learning methods of construction methods of parameters can be de ned as methods of construction of control methods and, directly, to a structure of parameters of elaboration of parameters. In this context, the direct elaboration of the control structure allows an approach without prior knowledge of the system in question. Thus, this work aims to present the control of a system shed as a pendulum used linearly to use the machine through the use of the particle method, where the system parameters, such as car mass, pendulum rush length and the methods of friction calculation, will be changed. For this, 5 di erent gain alternatives were used, which were created in the same way, a random way, two by the linear quadratic regulator and two by the linear matrix regulator described by linear. In this way, it was seen as the prediction of a machine using or swarming control vectors for a system that will change over the course of the iterations.Universidade Estadual Paulista (Unesp)Abreu, Gustavo Luiz Chagas Manhães de [UNESP]Universidade Estadual Paulista (Unesp)Karmouche, Diogo Cunha José2022-03-31T18:06:38Z2022-03-31T18:06:38Z2022-02-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/21755533004099082P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-08-05T18:16:17Zoai:repositorio.unesp.br:11449/217555Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T18:16:17Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Controle com machine learning via particle swarm optimization
Machine learning control through particle swarm optimization
title Controle com machine learning via particle swarm optimization
spellingShingle Controle com machine learning via particle swarm optimization
Karmouche, Diogo Cunha José
Aprendizado de máquina
Enxame de partículas
Pêndulo invertido
Controle adaptativo
Machine learning
Particle swarming
Inverted pendulum
Adaptive control
title_short Controle com machine learning via particle swarm optimization
title_full Controle com machine learning via particle swarm optimization
title_fullStr Controle com machine learning via particle swarm optimization
title_full_unstemmed Controle com machine learning via particle swarm optimization
title_sort Controle com machine learning via particle swarm optimization
author Karmouche, Diogo Cunha José
author_facet Karmouche, Diogo Cunha José
author_role author
dc.contributor.none.fl_str_mv Abreu, Gustavo Luiz Chagas Manhães de [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Karmouche, Diogo Cunha José
dc.subject.por.fl_str_mv Aprendizado de máquina
Enxame de partículas
Pêndulo invertido
Controle adaptativo
Machine learning
Particle swarming
Inverted pendulum
Adaptive control
topic Aprendizado de máquina
Enxame de partículas
Pêndulo invertido
Controle adaptativo
Machine learning
Particle swarming
Inverted pendulum
Adaptive control
description 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.
publishDate 2022
dc.date.none.fl_str_mv 2022-03-31T18:06:38Z
2022-03-31T18:06:38Z
2022-02-10
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11449/217555
33004099082P2
url http://hdl.handle.net/11449/217555
identifier_str_mv 33004099082P2
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808128165725339648