关于ADP（自适应动态规划）的论文和代码

资 源 简 介

关于ADP（自适应动态规划）的论文和代码

详 情 说 明

自适应动态规划（Adaptive Dynamic Programming, ADP）是一种结合动态规划与函数逼近技术的智能控制方法，主要用于解决复杂系统的最优控制问题。

ADP的核心思想是通过在线学习逼近动态规划中的值函数或策略函数，从而克服传统动态规划在高维状态空间中面临的“维数灾难”问题。它广泛用于机器人控制、电力系统优化和金融决策等领域。

主流ADP方法包括： 启发式动态规划（HDP） - 通过神经网络逼近值函数 双重启发式规划（DHP） - 同时逼近值函数及其梯度 全局双启发式规划（GDHP） - 综合前两种方法的优势

典型实现包含三个关键模块： 环境模型：用于状态转移预测 评价网络：估计长期回报的价值函数 执行网络：生成最优控制策略

当前研究热点集中在： 与深度学习的结合（如深度强化学习框架） 对非线性和不确定系统的鲁棒性改进 多智能体协同场景下的分布式ADP