Merging of Multistep Predictors for Decentralized Adaptive Control

0314253 - ÚTIA 2009 RIV US eng C - Conference Paper (international conference)
Šmídl, Václav - Andrýsek, Josef
Merging of Multistep Predictors for Decentralized Adaptive Control.
[Míchání více-krokových prediktorů pro decentralizované adaptivní řízení.]
Proceedings of the American Control Conference. Seattle: IEEE, 2008, s. 3414-3415. ISBN 978-1-4244-2078-0.
[American Control Conference. Seattle (US), 11.06.2008-13.06.2008]
R&D Projects: GA MŠMT 1M0572; GA ČR GP102/08/P250
Institutional research plan: CEZ:AV0Z10750506
Keywords : adaptive control * decentralised control * probability
Subject RIV: BC - Control Systems Theory
http://library.utia.cas.cz/separaty/2008/AS/smidl-merging of multistep predictors for decentralized adaptive.pdf

Decentralized adaptive control is based on the use of many local controllers in parallel, each of them estimating its own local model and pursuing local aims. When each controller designs its strategy using only its model, the resulting control will be suboptimal since local models do not allow prediction of consequences of actions of the neighbors. We use probabilistic formulation of adaptive control to build predictive densities of future outputs. Mutual exchange of these densities on commonly observed variables is proposed to compensate for incompleteness of the local models. The task is to find a procedure how to use such information withing the control strategy design under the constraint that the resulting design procedure is of the same complexity as the one without the exchange. We present an approximate algorithm and illustrate its performance on a simple example.

Decentralizované adaptivní řízení předpolkádá, že každý uzel pozoruje své okolí a na základě svých pozorování vytváří svůj lokální model. Pokud navrhuje svoji strategii řízení na základě tohoto modelu, může dojít ke konfliktu se sousedním uzlem. Tento příspěvek nabízí řešení pomocí vícekrokových prediktorů, jež každý uzel generuje a posílá sousedním uzlům. Tyto prediktory se pak sjednotí pomocí technik slučování pravdědpodobnostních distribucí. Funkčnost metody je demonstrována na jednoduchém příkladě.
Permanent Link: http://hdl.handle.net/11104/0164825