机器学习控制

机器学习控制（MLC）是机器学习、智能控制和控制理论的一个子领域，它用机器学习的方法解决最优控制问题。主要应用于线性控制理论方法不适用的复杂非线性系统。

常见的有四类问题。控制参数识别。如果控制法的结构已经给定，但参数未知，MLC就转化为参数识别。一个例子是优化PID控制器系数的遗传算法或离散时间最优控制。作为xxx类回归问题的控制设计。如果每个状态的传感器信号和最佳执行命令都是已知的，MLC近似于一个从传感器信号到执行命令的一般非线性映射。一个例子是计算来自已知全状态反馈的传感器反馈。神经网络是这项任务的常用技术。控制设计是第二种回归问题。MLC也可以识别任意的非线性控制法，使工厂的成本函数最小。

在这种情况下，既不需要知道模型、控制法结构，也不需要知道优化的执行命令。优化只基于在工厂中测量的控制性能（成本函数）。遗传编程是一个强大的回归技术，用于这一目的。强化学习控制。控制法可以通过使用强化学习对测量的性能变化（奖励）进行持续更新。MLC包括，例如，神经网络控制、基于遗传算法的控制、遗传编程控制、强化学习控制，并与其他数据驱动的控制，如人工智能和机器人控制在方法上有重叠。

MLC已经成功地应用于许多非线性控制问题，探索未知的、往往是意想不到的执行机制。