基于K-Step前瞻性主动并发学习的双重控制机制：在自动优化过程中平衡探索与利用行为

《IEEE Transactions on Cybernetics》：k-Step Look-Ahead Active Concurrent Learning-Based Dual Control of Exploration and Exploitation for Auto-Optimization

KSLCL-DCEE框架通过内层k步前瞻成本函数梯度和外层第k步梯度生成双控制命令，解决未知参考和环境的自优化问题，采用主动并发学习与自适应学习率提升收敛速度，并验证了光伏数组控制效果。

　　

摘要：

本研究提出了一种基于主动并发学习的双控制框架（KSLCL-DCEE），该框架采用k步前瞻机制，旨在解决在具有未知参考值和环境的系统中进行自动优化所面临的挑战，同时实现参数估计与最优参考值跟踪之间的平衡。KSLCL-DCEE算法包含两个循环：内循环利用成本函数的未来梯度来生成k步前瞻的后续控制指令；外循环则利用第k步的梯度来生成作用于通用线性系统的双控制指令。在初始阶段，该算法引入了具有修改后的学习率的主动并发学习机制，以降低对持续激励条件的依赖性并加快收敛速度。本文对KSLCL-DCEE的稳定性进行了全面分析，并通过数值研究及在光伏（PV）阵列上的应用验证了其有效性和性能。