في عالم التحكم الذكي، يمثل دمج التحكم التنبؤي (Model Predictive Control - MPC) والتعلم المعزز (Reinforcement Learning - RL) نقطة تحول واعدة. حيث يوفر نظام MPC تحسيناً هيكلياً، ويعالج القيود بشكل صريح، ويقدم أدوات مستقرة معينة، بينما يوفر نظام RL تكيفاً مدفوعاً بالبيانات وتحسين الأداء في ظل عدم اليقين وعدم التطابق بين النماذج.

ومع تزايد الأبحاث حول دمج RL وMPC، لا يزال الأدب في هذا المجال متفرقاً، ويحتاج إلى مزيد من التنسيق، خاصةً فيما يتعلق بالهياكل التحكمية المبنية على نماذج خطية أو تقريبية.

هذا المقال يقدم مراجعة أدبية شاملة لنظم دمج RL وMPC للأنظمة الخطية، تغطي الدراسات التي تم مراجعتها من قبل الأقران والمبوبة بشكل رسمي حتى عام 2025. تم تنظيم الدراسات التي تم استعراضها من خلال تصنيف متعدد الأبعاد يعكس الأدوار الوظيفية لـRL، وفئات خوارزميات RL، وصيغ MPC، وهياكل دالة التكلفة، ومجالات التطبيقات.

كما تم إجراء تحليلات عابرة الأبعاد لتحديد الأنماط التصميمية المتكررة والعلاقات المبلغ عنها بين هذه الأبعاد في الأدبيات التي تم استعراضها. يكشف الاستعراض عن الاتجاهات المنهجية، والاستراتيجيات المشتركة المعتمدة في الدمج، والتحديات العملية التي تتكرر، بما في ذلك العبء الحاسوبي، وكفاءة العينة، والموثوقية، وضمانات الحلقة المغلقة.

تقدم هذه المراجعة مرجعاً هيكلياً للباحثين والممارسين الراغبين في تصميم أو تحليل معماريات RL وMPC استناداً إلى صيغ التحكم التنبؤي الخطية أو التقريبية.