পদ্ধতির তুলনা করুন
নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।
| লিনিয়ার কোয়াড্রেটিক রেগুলেটর (LQR)× | হ্যামিল্টন-জ্যাকোবি-বেলম্যান সমীকরণ× | |
|---|---|---|
| ক্ষেত্র | নিয়ন্ত্রণ তত্ত্ব | নিয়ন্ত্রণ তত্ত্ব |
| পরিবার | Machine learning | Machine learning |
| উদ্ভবের বছর≠ | 1960 | 1957 |
| প্রবর্তক≠ | Rudolf Kalman | Richard Bellman |
| ধরন | algorithm | algorithm |
| মৌলিক উৎস≠ | Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119. link ↗ | Bellman, R. (1957). Dynamic Programming. Princeton University Press. link ↗ |
| অপর নাম≠ | LQR, Linear Quadratic Optimal Control | HJB Equation, Bellman Equation, Dynamic Programming |
| সম্পর্কিত≠ | 4 | 3 |
| সারসংক্ষেপ≠ | The Linear Quadratic Regulator (LQR) is a classical optimal control algorithm that computes a linear feedback law to minimize a quadratic cost function for a linear dynamical system. Introduced by Kalman in 1960, LQR provides a provably optimal, closed-form solution for linear systems and remains fundamental in control theory, robotics, and aerospace applications because of its theoretical elegance and computational efficiency. | The Hamilton-Jacobi-Bellman (HJB) equation is a partial differential equation characterizing the optimal cost-to-go function in dynamic programming. Developed by Bellman in 1957, HJB provides both necessary and sufficient conditions for optimality, enabling elegant theoretical analysis and numerical solutions for optimal control problems. HJB is fundamental to reinforcement learning, approximate dynamic programming, and real-time control. |
| ScholarGateডেটাসেট ↗ |
|
|