基于收缩论的强化学习稳定模块化控制

提出了一种将控制技术与强化学习相结合的新方法。

通过收缩理论实现神经控制的模块化，以确保稳定性。

信号组合创建潜在空间，强化学习用于最大化奖励。

动态分解通过坐标转换创建辅助空间，保持信号稳定性。

模块化将非线性稳定性问题分解为代数可解的问题。

产生对控制网络输入梯度的线性约束，简化网络权重的切换。

该稳定性方法易于集成到机器学习中的模块化神经架构。

通过模拟演示了方法的必要性和有效性，特别是在稳健性和泛化性方面。