內容簡介
《機器學習控制》簡要介紹了機器學習控制（Machine Learning Control，MLC）。作為一種極其簡單的無模型手段，MLC可用來駕馭復雜的非線性繫統。通常假定這些繫統由有限數量的執行器（輸入）操控，並由有限數量的傳感器（輸出）檢測。
MLC涵蓋了3門現有學科，即閉環反饋控制、機器學習與回歸以及非線性動態繫統，而湍流即具備了非線性繫統的特征。在過去的數十年中，控制理論已經發展成為一門具有優美理論基礎和強大關聯數值算法的成熟學科。在對具有傳感器噪聲、外界擾動和模型不確定性的繫統魯棒控制方面取得了重要進展。控制理論中的現代方法已經滲透到工程科學中，並改變了工業格局。但是對於具有寬帶頻譜、高維度狀態空間和大延時的強非線性動力學繫統的控制，挑戰依然存在。通過借助機器學習中的先進方法，MLC旨在發現有效的控制律，從而應對上述挑戰。
《機器學習控制》的作者推動了遺傳規劃在非線性動力繫統反饋控制、直接Navier-Stokes模擬和實驗湍流剪切流中的首次應用。
《機器學習控制》關注於可稱得上是機器學習控制中非常簡單、非常通用卻又非常強大的一個版本：通過遺傳規劃來識別非線性控制律。
《機器學習控制》將介紹相應的成功案例。
MLC涵蓋了3門現有學科，即閉環反饋控制、機器學習與回歸以及非線性動態繫統，而湍流即具備了非線性繫統的特征。在過去的數十年中，控制理論已經發展成為一門具有優美理論基礎和強大關聯數值算法的成熟學科。在對具有傳感器噪聲、外界擾動和模型不確定性的繫統魯棒控制方面取得了重要進展。控制理論中的現代方法已經滲透到工程科學中，並改變了工業格局。但是對於具有寬帶頻譜、高維度狀態空間和大延時的強非線性動力學繫統的控制，挑戰依然存在。通過借助機器學習中的先進方法，MLC旨在發現有效的控制律，從而應對上述挑戰。
《機器學習控制》的作者推動了遺傳規劃在非線性動力繫統反饋控制、直接Navier-Stokes模擬和實驗湍流剪切流中的首次應用。
《機器學習控制》關注於可稱得上是機器學習控制中非常簡單、非常通用卻又非常強大的一個版本：通過遺傳規劃來識別非線性控制律。
《機器學習控制》將介紹相應的成功案例。
