MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931927
■00520240214100349
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380381178
■035    ▼a(MiAaPQ)AAI30427021
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aDing,  Yuhao.
■24510▼aSafe  Online  Decision-Making  for  Non-stationary  Systems▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(136  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Lavaei,  Javad.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aDespite  several  progresses  of  control-theoretic  techniques  in  the  past  decade,  these  methods  still  struggle  to  bridge  the  widening  gap  between  theory  and  reality,  which  is  exacerbated  by  the  increasing  complexity,  uncertainty,  and  safety  requirements.  Consequently,  the  creation  of  online  control  algorithms  for  safety-critical  applications  in  non-stationary  environments  could  pave  the  way  for  a  new  chapter  in  modern  control  theory,  substantially  enhancing  the  reliability  of  intelligent  systems  as  they  function  in  dynamic,  uncertain,  and  potentially  hostile  conditions  subject  to  physical  and  computational  limitations.  Safe  non-stationary  decision-making  not  only  encompasses  the  core  challenges  of  traditional  decision-making  but  also  presents  new  hurdles,  such  as  (i)  fast  adaptation  under  the  non-stationary  environments,  (ii)  global  optimality  convergence  of  the  non-convex  optimization,  (iii)  continual  balancing  of  objective  and  constraints.  The  above  challenges  go  beyond  current  capabilities  in  computation  and  theory  and  manifest  in  various  aspects  of  practical  and  theoretical  interests,  from  sample  complexity  and  non-convergence  issues  to  computational  tractability  and  enforcement  of  safety  constraints  for  real-time  control.  This  thesis  aims  to  pioneer  system  operation  at  the  nexus  of  reinforcement  learning,  online  learning,  statistical  learning,  and  nonlinear  optimization.  The  design  of  provably  efficient  and  safe  online  decision-making  algorithms  that  exploit  prediction  and  prior  knowledge  while  grappling  with  the  effects  of  dynamic  feedback  and  non-stationary  environment  will  push  the  frontiers  of  computational  verification  and  synthesis  of  control  policies  for  safety-critical  systems.To  overcome  these  challenges  and  realize  the  full  potential  of  online  decision-making  approaches  for  adaptability  and  performance  gains,  this  thesis  aims  to  extend  the  foundational  knowledge  in  systems  and  control  and  broaden  our  understanding  of  performance  limits  and  engineering  trade-offs  when  the  system  must  operate  outside  of  the  assumptions  of  known  models  and  needs  to  adapt  to  its  environment  in  real-time.  In  particular,  we  develop  a  new  mathematical  foundation  and  a  set  of  computational  tools  for  the  design  of  safe  online  decision-making  algorithms  that  can  be  deployed  in  environments  that  undergo  changes.  Along  this  line,  we  will  address  the  following  objectives:  (i)  escaping  spurious  local  minimum  trajectories  in  online  time-varying  non-convex  optimization,  (ii)  provably  efficient  primal-dual  reinforcement  learning  for  CMDPs  with  non-stationary  objectives  and  constraints,  (iii)  non-stationary  risk-sensitive  reinforcement  learning  with  near-optimal  dynamic  regret,  adaptive  detection,  and  separation  design.
■590    ▼aSchool  code:  0028.
■650  4▼aIndustrial  engineering.
■650  4▼aComputer  science.
■653    ▼aNon-stationarity
■653    ▼aReinforcement  learning
■653    ▼aSafety  requirements
■653    ▼aSequential  decision-making
■653    ▼aIntelligent  systems
■690    ▼a0796
■690    ▼a0546
■690    ▼a0984
■71020▼aUniversity  of  California,  Berkeley▼bIndustrial  Engineering  &  Operations  Research.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931927▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서