Pontryagin's maximum principle
PulseAugur coverage of Pontryagin's maximum principle — every cluster mentioning Pontryagin's maximum principle across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
强化学习模型在适应性化疗控制方面展现出潜力
研究人员开发并比较了用于适应性化疗控制的闭环深度强化学习（DRL）策略，同时利用了连续（TD3）和离散（DQN）动作空间。这些DRL策略在一个复杂异质性肿瘤模型上进行了训练，并与基于Pontryagin最大值原理（PMP）推导出的传统开环方法进行了基准测试。该研究评估了这些策略在100名具有扰动生长和药物敏感性参数的虚拟患者队列中的泛化能力，揭示了肿瘤缩小与剂量一致性之间的权衡。
-
LLM驱动的代理HELIOS实现航天器轨迹优化自动化
研究人员开发了HELIOS，一个利用大型语言模型（LLM）为深空任务优化航天器轨迹的自主代理。该系统解决了间接轨迹优化中的关键挑战，例如推导复杂条件和适应不同的动力学模型。HELIOS可以自主推导符号条件，使用SymPy进行验证，生成用于数值解的C++代码，并解决从简单的交会到复杂的多段转移和太阳帆轨迹等问题。实验表明成功率很高，更大的LLM展现出更强的推导能力。
-
新型神经网络优化月球着陆器轨迹
研究人员开发了一种新颖的最优性感知神经网络（OINN）方法，用于优化月球着陆器在动力下降过程中的轨迹。该方法将最优性的必要条件，如庞特里亚金最小原理和Hamilton-Jacobi-Bellman方程，直接硬编码到网络架构中。OINN方法与独立求解的边值问题和蒙特卡洛模拟进行了测试，结果显示出高度一致性，且残差始终很小，表明其在计算成本固定的情况下具有实时部署的潜力。
-
双网络PINN基准测试最优控制问题
研究人员开发了一种双网络物理信息神经网络（PINN）方法来解决最优控制问题，并在质量-弹簧-阻尼系统上进行了演示。该方法在准确性上可与经典技术相媲美，能够将最优成本精确到小数点后四位，并精确满足约束条件。虽然PINN的训练速度比传统方法慢，但它旨在通过提供清晰、可复现的基准测试和实现来简化从业者的流程。