Controle com machine learning via particle swarm optimization
Autor(a) principal: | |
---|---|
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 |