Gradient-augmented Supervised Learning of Optimal Feedback Laws Using State-Dependent Riccati Equations
Gradient-augmented Supervised Learning of Optimal Feedback Laws Using State-Dependent Riccati Equations
复制标题
使用状态相关 Riccati 方程的最优反馈定律的梯度增强监督学习
DOI：
10.1109/lcsys.2021.3086697
复制
发表时间：
2022
影响因子：
3
通讯作者：
Albi G
中科院分区：
文献类型：
--
作者：
Albi G
登录
查看更多内容
一种求解有限时域最优控制问题的高效树结构DP算法
DOI：
10.1137/18m1203900
发表时间：
2018
期刊：
SIAM J. Sci. Comput.
影响因子：
--
作者：
A. Alla;M. Falcone;Luca Saluzzi
通讯作者：
Luca Saluzzi
影响因子：
3.1
作者：
Nakamura-Zimmerer, Tenavi;Gong, Qi;Kang, Wei
通讯作者：
Kang, Wei
基于神经网络的全局 H2 策略迭代算法documentclass[12pt]{minimal} usepackage{amsmath} usepackage{wasysym} usepackage{amsfonts} usepackage{amssymb} usepackage{amsbsy} usepackage{mathrsfs}
影响因子：
3
作者：
Kazufumi Ito;C. Reisinger;Yufei Zhang
通讯作者：
Yufei Zhang
应用于刚体卫星的HJB方程无因果计算方法
影响因子：
9.7
作者：
Wei Kang;L. Wilcox
通讯作者：
L. Wilcox
通过高维 Hamilton-Jacobi-Isaacs 方程的数值逼近实现非线性偏微分方程的鲁棒反馈控制
DOI：
10.1137/19m1262139
发表时间：
2019
期刊：
SIAM J. Appl. Dyn. Syst.
影响因子：
--
作者：
D. Kalise;Sudeep Kundu;K. Kunisch
通讯作者：
K. Kunisch