Show simple item record

dc.contributorOtroses_ES
dc.contributor.authorAponte, O.E.
dc.contributor.authorVega, P.
dc.contributor.authorFrancisco, M.
dc.contributor.otherOtroses_ES
dc.date2022
dc.date.accessioned2023-06-19T06:39:02Z
dc.date.available2023-06-19T06:39:02Z
dc.identifier.citationAponte, O.E., Vega, P., Francisco, M. (2022). Aprendizaje por refuerzo profundo para la negociación en control predictivo distribuido cooperativo de sistemas multivariables. XVII Simposio CEA de Control Inteligente: Reunión anual del grupo de Control Inteligente del comité español de automática (CEA). Libro de Actas, León, 27-29 de junio de 2022. 11-16es_ES
dc.identifier.isbn978-84-18490-65-1es_ES
dc.identifier.urihttp://hdl.handle.net/10612/16790
dc.description.abstract[ES] En este trabajo se propone una solución novedosa del uso de redes neuronales con aprendizaje por refuerzo, como una opción válida en la negociación de agentes de controladores jerárquicos distribuidos. El método propuesto se implementa en la capa superior de una arquitectura de control jerárquico constituido en sus niveles más bajos por un control distribuido basado en modelos locales y procesos de negociación con lógica difusa. La ventaja de la propuesta es que no requiere el uso de modelos en la negociación y facilita la minimización de cualquier índice de comportamiento dinámico y la especificación de restricciones. Concretamente, se utiliza un agente de gradiente de políticas (PG) del aprendizaje por refuerzo para el entrenamiento del proceso de consenso entre los agentes. El algoritmo se aplica con éxito a un sistema de nivel compuesto por ocho tanques interconectados muy difícil de controlar por su naturaleza no lineal y la alta interacción existente entre sus subsistemas.es_ES
dc.description.abstract[EN] In this work, a novel solution of the use of neural networks with reinforcement learning is proposed, as a valid option in the negotiation of distributed hierarchical controller agents. The proposed method is implemented in the upper layer of a hierarchical control architecture constituted in its lower levels by a distributed control based on local models and fuzzy logic negotiation processes. The advantage of the proposal is that it does not require the use of models in the negotiation and facilitates the minimization of any dynamic behaviour index and the specification of constraints. Specifically, in this work, a reinforcement learning policy gradient (PG) algorithm is used to train the consensus process between agents. The resulting algorithm is successfully applied to a level system made up of eight interconnected tanks, which is very difficult to control due to its non-linear nature and the high level of interaction between its subsystems.es_ES
dc.languagespaes_ES
dc.publisherUniversidad de Leónes_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectIngeniería de sistemases_ES
dc.subject.otherRedes neuronaleses_ES
dc.subject.otherAprendizaje por refuerzoes_ES
dc.subject.otherControl distribuido predictivo basado en modeloses_ES
dc.subject.otherSistemas multiagentees_ES
dc.titleAprendizaje por refuerzo profundo para la negociación en control predictivo distribuido cooperativo de sistemas multivariableses_ES
dc.title.alternativeDeep reinforcement learning for negotiation in cooperative distributed predictive control of complex systemses_ES
dc.typeinfo:eu-repo/semantics/conferenceProceedingses_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.page.initial11es_ES
dc.page.final16es_ES
dc.subject.unesco1207.14 Formulación de Sistemases_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional