Evoluční návrh regulátorů

Abstract

Tato práce se zaměřuje na návrh regulátorů s využitím vícekriteriálních evolučních algoritmů a Bayesovské optimalizace. Ladění LQR regulátoru bývá obtížné, protože tradiční postupy založené na intuici nebo heuristice často nevedou k dostatečné kvalitě regulace. Ta je podmíněna nalezením optimálních parametrů regulátoru, což vyžaduje vhodné nastavení hyperparametrů evolučního algoritmu. Proto je zvolen přístup dvouúrovňové optimalizace, kde vnější Bayesovská optimalizace určuje hyperparametry a vnitřní NSGA-II hledá optimální nastavení regulátoru. Testovací soustavou je Furutovo rotační inverzní kyvadlo. Cílem je odhalit vztah mezi změnou fyzikálních parametrů soustavy a hyperparametry, což může vést k obecnějším pravidlům pro efektivní návrh regulátorů i u jiných dynamických systémů.This thesis addresses the design of controllers using multi-objective evolutionary algorithms combined with Bayesian optimization. Tuning an LQR controller is challenging, as traditional heuristic approaches often fail to achieve sufficient control quality. To overcome this, a two-level optimization is applied: Bayesian optimization determines suitable hyperparameters, while NSGA-II searches for the optimal regulator settings. The Furuta rotary inverted pendulum serves as the test system. The study aims to reveal the relationship between changes in physical parameters and hyperparameters, with the prospect of deriving more general rules for efficient controller design in other dynamic systems.