Distributed large scale systems: a multi-agent RL-MPC architecture

Universidat Politécnica de Cataluya. Programa de Doctorat: Automàtica, Robòtica I Visiò.

Detalles Bibliográficos
Autor: Javalera, Valeria
Tipo de recurso: tesis doctoral
Estado:Versión publicada
Fecha de publicación:2016
País:España
Institución:Consejo Superior de Investigaciones Científicas (CSIC)
Repositorio:DIGITAL.CSIC. Repositorio Institucional del CSIC
OAI Identifier:oai:digital.csic.es:10261/155199
Acceso en línea:http://hdl.handle.net/10261/155199
Access Level:acceso abierto
id ES_d38c1dfebae92e8f8d21bcfb593a4849
oai_identifier_str oai:digital.csic.es:10261/155199
network_acronym_str ES
network_name_str España
repository_id_str
spelling Distributed large scale systems: a multi-agent RL-MPC architectureJavalera, ValeriaUniversidat Politécnica de Cataluya. Programa de Doctorat: Automàtica, Robòtica I Visiò.[EN]: This thesis describes a methodology to deal with the interaction between MPC controllers in a distributed MPC architecture. This approach combines ideas from Distributed Artificial Intelligence (DAI) and Reinforcement Learning (RL) in order to provide a controller interaction based on cooperative agents and learning techniques. The aim of this methodology is to provide a general structure to perform optimal control in networked distributed environments, where multiple dependencies between subsystems are found. Those dependencies or connections often correspond to control variables. In that case, the distributed control has to be consistent in both subsystems. One of the main new concepts of this architecture is the negotiator agent. Negotiator agents interact with MPC agents to determine the optimal value of the shared control variables in a cooperative way using learning techniques (RL). The optimal value of those shared control variables has to accomplish a common goal, probably different from the specific goal of each agent sharing the variable. Two cases of study, in which the proposed architecture is applied and tested are considered, a small water distribution network and the Barcelona water network. The results suggest this approach is a promising strategy when centralized control is not a reasonable choice.[ES]: Esta tesis describe una metodología para hacer frente a la interacción entre controladores MPC en una arquitectura MPC distribuida. Este enfoque combina las ideas de Inteligencia Artificial Distribuida (DIA) y aprendizaje por refuerzo (RL) con el fin de proporcionar una interacción entre controladores basado en agentes de cooperativos y técnicas de aprendizaje. El objetivo de esta metodología es proporcionar una estructura general para llevar a cabo un control óptimo en entornos de redes distribuidas, donde se encuentran varias dependencias entre subsistemas. Esas dependencias o conexiones corresponden a menudo a variables de control. En ese caso, el control distribuido tiene que ser coherente en ambos subsistemas. Uno de los principales conceptos novedosos de esta arquitectura es el agente negociador. Los agentes negociadores actúan junto con agentes MPC para determinar el valor óptimo de las variables de control compartidas de forma cooperativa utilizando técnicas de aprendizaje (RL). El valor óptimo de esas variables compartidas debe lograr un objetivo común, probablemente diferente de los objetivos específicos de cada agente que está compartiendo la variable. Se consideran dos casos de estudio, en el que la arquitectura propuesta se ha aplicado y probado, una pequeña red de distribución de agua y la red de agua de Barcelona. Los resultados sugieren que este enfoque es una estrategia prometedora cuando el control centralizado no es una opción razonable.Peer ReviewedUniversidad Politécnica de CataluñaPuig, VicençMorcego, BernardoConsejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]2017201720162017info:eu-repo/semantics/doctoralThesishttp://purl.org/coar/resource_type/c_db06Publisher's versioninfo:eu-repo/semantics/publishedVersionhttp://hdl.handle.net/10261/155199reponame:DIGITAL.CSIC. Repositorio Institucional del CSICinstname:Consejo Superior de Investigaciones Científicas (CSIC)InglésSíinfo:eu-repo/semantics/openAccessoai:digital.csic.es:10261/1551992026-05-22T06:33:51Z
dc.title.none.fl_str_mv Distributed large scale systems: a multi-agent RL-MPC architecture
title Distributed large scale systems: a multi-agent RL-MPC architecture
spellingShingle Distributed large scale systems: a multi-agent RL-MPC architecture
Javalera, Valeria
title_short Distributed large scale systems: a multi-agent RL-MPC architecture
title_full Distributed large scale systems: a multi-agent RL-MPC architecture
title_fullStr Distributed large scale systems: a multi-agent RL-MPC architecture
title_full_unstemmed Distributed large scale systems: a multi-agent RL-MPC architecture
title_sort Distributed large scale systems: a multi-agent RL-MPC architecture
dc.creator.none.fl_str_mv Javalera, Valeria
author Javalera, Valeria
author_facet Javalera, Valeria
author_role author
dc.contributor.none.fl_str_mv Puig, Vicenç
Morcego, Bernardo
Consejo Superior de Investigaciones Científicas [https://ror.org/02gfc7t72]
description Universidat Politécnica de Cataluya. Programa de Doctorat: Automàtica, Robòtica I Visiò.
publishDate 2016
dc.date.none.fl_str_mv 2016
2017
2017
2017
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
http://purl.org/coar/resource_type/c_db06
Publisher's version
info:eu-repo/semantics/publishedVersion
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/10261/155199
url http://hdl.handle.net/10261/155199
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.relation.none.fl_str_mv Sí
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidad Politécnica de Cataluña
publisher.none.fl_str_mv Universidad Politécnica de Cataluña
dc.source.none.fl_str_mv reponame:DIGITAL.CSIC. Repositorio Institucional del CSIC
instname:Consejo Superior de Investigaciones Científicas (CSIC)
instname_str Consejo Superior de Investigaciones Científicas (CSIC)
reponame_str DIGITAL.CSIC. Repositorio Institucional del CSIC
collection DIGITAL.CSIC. Repositorio Institucional del CSIC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869420468780400640
score 15.811543

Similares en LA Referencia