Abstract FR:

La théorie de la viabilité propose des concepts et méthodes pour contrôler un système dynamique afin de le maintenir dans un ensemble de contraintes de viabilité. Cependant, les algorithmes d'approximation de noyaux de viabilité ou de bassins de capture souffrent de la malédiction de la dimensionnalité. L'objectif de cette thèse est de développer des algorithmes, en utilisant une méthode d'apprentissage statistique : les machines à vecteurs de support SVMs. Nous proposons un algorithme d'approximation d'un noyau de viabilité qui utilise les SVMs pour définir la frontière du noyau, ce qui permet d'utiliser des méthodes d'optimisation pour trouver un contrôle viable, et ainsi de travailler dans des espaces de contrôle plus importants. Nous dérivons un algorithme d'approximation de bassin de capture et de calcul des valeurs de résilience. Nous proposons ensuite une procédure d'apprentissage actif de travailler avec des espaces d'états en plus grande dimension