线性约束在线 LQG 问题的策略优化的遗憾分析
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本研究探讨了环境噪音干扰下的线性动态系统控制问题，提出了多种在线和离线控制策略的优化方法。研究表明，离线策略的代价会随着时间收敛于在线策略，并提出了自适应控制算法，能够有效处理未知系统，实现次线性遗憾上界。
❓
Q&A
线性动态系统控制中环境噪音的影响是什么？
环境噪音干扰会影响线性动态系统的调节效果，导致控制策略的代价增加。
离线控制策略与在线控制策略的代价有什么区别？
离线控制策略的代价会随着时间增长而与在线策略的代价收敛。
自适应控制算法的主要优势是什么？
自适应控制算法能够有效处理未知线性系统和需求预测问题，具有良好的控制保障。
如何实现在线控制下的最优遗憾界限？
通过在线梯度下降和在线自然梯度等高效迭代方法，可以实现在线控制下的最优遗憾界限。
ExpCommit算法的应用场景是什么？
ExpCommit算法用于在未知模型动态的情况下，最小化部分可观测线性二次控制系统中的后悔。
在处理未知系统参数时，误差的最优性与哪些因素相关？
误差的最优性与时间步数、输入空间和系统状态空间的维度相关。
🏷️
