在本文中，我们介绍了一种新的方法来进行分布式鲁棒最优控制，该方法支持在线学习歧义集，同时又保证了递归的可行性。我们引入圆锥形可表示的风险，这对于导出分布稳健的优化问题的可处理的重新公式化很有用。具体来说，为了说明引入的技术，我们利用了基于数据驱动的歧义集构建的风险度量，以约束随机扰动的第二时刻。在最佳控制设置中，当与仿射干扰反馈结合使用时，此类基于矩的风险度量可得出易于控制的最佳控制器。给出了可以保证递归可行性的约束条件假设。当很少的数据可用时，所得的控制方案将充当鲁棒控制器，而当大量的样本数量暗示对估计的第二时刻具有高置信度时，所得的控制方案将收敛至确定性等效控制器。数值实验对此进行了说明。



"点击查看英文标题和摘要"