Repositorio Institucional
Repositorio Institucional
CONICET Digital
  • Inicio
  • EXPLORAR
    • AUTORES
    • DISCIPLINAS
    • COMUNIDADES
  • Estadísticas
  • Novedades
    • Noticias
    • Boletines
  • Ayuda
    • General
    • Datos de investigación
  • Acerca de
    • CONICET Digital
    • Equipo
    • Red Federal
  • Contacto
JavaScript is disabled for your browser. Some features of this site may not work without it.
  • INFORMACIÓN GENERAL
  • RESUMEN
  • ESTADISTICAS
 
Artículo

Reinforcement Learning using Gaussian Processes for Discretely Controlled Continuous Processes

de Paula, MarianoIcon ; Martinez, Ernesto CarlosIcon
Fecha de publicación: 07/2013
Editorial: Planta Piloto de Ingeniería Química
Revista: Latin American Applied Research
ISSN: 0327-0793
e-ISSN: 1851-8796
Idioma: Inglés
Tipo de recurso: Artículo publicado
Clasificación temática:
Sistemas de Automatización y Control

Resumen

In many application domains such as autonomous avionics, power electronics and process systems engineering there exist discretely controlled continuous processes (DCCPs) which constitute a special subclass of hybrid dynamical systems. We introduce a novel simulation-based approach for DDCPs optimization under uncertainty using Rein-forcement Learning with Gaussian Process models to learn the transitions dynamics descriptive of mode execution and an optimal switching policy for mode selection. Each mode implements a parameterized feedback control law until a stopping condition trig-gers. To deal with the size/dimension of the state space and a continuum of control mode parameters, Bayesian active learning is proposed using a utility function that trades off information content with policy improvement. Throughput maximization in a buffer tank subject to an uncertain schedule of sev-eral inflow discharges is used as case study address-ing supply chain control in manufacturing systems
Palabras clave: Hybrid Systems , Stochastic Systems , Optimization , Reinforcement Learning , Gaussian Processes
Ver el registro completo
 
Archivos asociados
 
Tamaño: 346.0Kb
Formato: PDF
.
Descargar
Licencia
info:eu-repo/semantics/openAccess Excepto donde se diga explícitamente, este item se publica bajo la siguiente descripción: Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Unported (CC BY-NC-SA 2.5)
Identificadores
URI: http://hdl.handle.net/11336/881
URL: http://www.laar.uns.edu.ar/indexes/artic_v4303/Vol43_03_249.pdf
Colecciones
Articulos(CCT - TANDIL)
Articulos de CTRO CIENTIFICO TECNOLOGICO CONICET - TANDIL
Articulos(CIFICEN)
Articulos de CENTRO DE INV. EN FISICA E INGENIERIA DEL CENTRO DE LA PCIA. DE BS. AS.
Citación
de Paula, Mariano; Martinez, Ernesto Carlos; Reinforcement Learning using Gaussian Processes for Discretely Controlled Continuous Processes; Planta Piloto de Ingeniería Química; Latin American Applied Research; 43; 7-2013; 249-254
Compartir

Enviar por e-mail
Separar cada destinatario (hasta 5) con punto y coma.
  • Facebook
  • X Conicet Digital
  • Instagram
  • YouTube
  • Sound Cloud
  • LinkedIn

Los contenidos del CONICET están licenciados bajo Creative Commons Reconocimiento 2.5 Argentina License

https://www.conicet.gov.ar/ - CONICET

Inicio

Explorar

  • Autores
  • Disciplinas
  • Comunidades

Estadísticas

Novedades

  • Noticias
  • Boletines

Ayuda

Acerca de

  • CONICET Digital
  • Equipo
  • Red Federal

Contacto

Godoy Cruz 2290 (C1425FQB) CABA – República Argentina – Tel: +5411 4899-5400 repositorio@conicet.gov.ar
TÉRMINOS Y CONDICIONES