【报告摘要】本报告研究了一类基于机器学习的Koopman算子的随机切换非线性系统的模型预测控制问题。通过训练多模态神经网络，获得依赖于模态的升维函数、Koopman算子和状态重构矩阵，从而将原始非线性随机切换系统转化为等效的一类高维线性随机切换系统，并将逼近误差作为扰动加以处理。在此基础上，该研究设计了针对该随机切换Koopman模型的模型预测控制方法，避免了因非线性引起的非凸优化问题。该方法在理论上保证了基于Koopman模型的随机切换系统的模型预测控制策略的递归可行性，以及闭环系统的均方稳定性和有界性。