Lehrinhalte
[i]Vorlesung:[/i]
Einführung in die Grundlagen der optimalen Regelung, Linear Quadratische Regelung (LQR) im Zeitdiskreten und Zeitkontinuierlichen, Grundlagen der Model Prädiktiven Regelung (MPC) (Kostenfunktion, Beschränkungen, beweglicher Horizont), nominelle Model Prädiktive Regelung, Robuste und stochastische Model Prädiktive Regelung, Model Prädiktive Regelung für nichtlineare Systeme, Kombination von Ansätzen des Maschinellen Lernens mit der Model Prädiktiven Regelung.
[i]Gruppenübung/Gruppenarbeit: [/i]
In eine Gruppenarbeit wenden die Studierenden die erlernten Konzepte und Methoden. Die Gruppenarbeit umfasst eine Übersicht über State-of-the-Art Ansätze für die ausgewählte Aufgabe, die Auswahl geeigneter Methoden für die betrachtete Fragestellung, und die Umsetzung in Python/Matlab. Sie beinhaltet einen Bericht und eine Präsentation.
Literatur
[list]
[*]J. Rawlings, D. Mayne, and M. Diehl. Model predictive control: theory, computation, and design. Nob Hill Publishing.
[*]S. Rakovic, and W. Levine. Handbook of Model Predictive Control. Birkhäuser, 2018.
[/list]
Voraussetzungen
Grundbegriffe der Regelungstheorie. Grundlagen der linearen Algebra, Differential- und Differenzengleichungen. Grundkentnisse in Python oder Matlab.
Online-Angebote
moodle
[i]Vorlesung:[/i]
Einführung in die Grundlagen der optimalen Regelung, Linear Quadratische Regelung (LQR) im Zeitdiskreten und Zeitkontinuierlichen, Grundlagen der Model Prädiktiven Regelung (MPC) (Kostenfunktion, Beschränkungen, beweglicher Horizont), nominelle Model Prädiktive Regelung, Robuste und stochastische Model Prädiktive Regelung, Model Prädiktive Regelung für nichtlineare Systeme, Kombination von Ansätzen des Maschinellen Lernens mit der Model Prädiktiven Regelung.
[i]Gruppenübung/Gruppenarbeit: [/i]
In eine Gruppenarbeit wenden die Studierenden die erlernten Konzepte und Methoden. Die Gruppenarbeit umfasst eine Übersicht über State-of-the-Art Ansätze für die ausgewählte Aufgabe, die Auswahl geeigneter Methoden für die betrachtete Fragestellung, und die Umsetzung in Python/Matlab. Sie beinhaltet einen Bericht und eine Präsentation.
Literatur
[list]
[*]J. Rawlings, D. Mayne, and M. Diehl. Model predictive control: theory, computation, and design. Nob Hill Publishing.
[*]S. Rakovic, and W. Levine. Handbook of Model Predictive Control. Birkhäuser, 2018.
[/list]
Voraussetzungen
Grundbegriffe der Regelungstheorie. Grundlagen der linearen Algebra, Differential- und Differenzengleichungen. Grundkentnisse in Python oder Matlab.
Online-Angebote
moodle
- Lehrende: Rolf Findeisen
- Lehrende: Hoang Hai Nguyen
- Lehrende: Maik Pfefferkorn
- Lehrende: Anton Savchenko
Semester: WiSe 2022/23