面向弱可压缩流动的多喷嘴框架——应用于气动控制的 provable robust 方案

强化学习已经在寻找各种场景下的优秀流体控制策略方面逐渐成熟。现有文献集中关注使用简单两喷嘴方案（及其变体）或 straightforward 以均值中心为导向的多喷嘴布局。这种均值中心方法本质上是非单射的，使得演员网络的不同动作预测可导致相同的实现喷嘴强度。因此，true multi-jet setup 的潜力仍未得到探索。为此，本文首先理论分析了多喷嘴布局，揭示了上述缺陷，提出了可行的替代方案。我们还推导了这些布局运行成本的上界，发现所提出的方法的 maximum running cost 与喷嘴数量无关（而传统布局接近线性增长）。将均值中心和提议的多喷嘴布局应用于 various 流动配置，以测试性能和学习能力。新方案在学习更复杂的流体控制策略方面效果显著，通过精细协调喷嘴以产生最小化作用力的有利结果。对于气缸-通道案例，此结果导致阻力和总力抑制超出理想对称情况；对于气动剖面，分离区被最小化，气动效率显著提升（根据喷嘴配置，从 53% 提升至 73%）。此外，我们还纳入了来自传统强化学习文献的最佳实践，以显示快速、可重复且可靠的学习，从而降低 upfront 训练成本。该研究因此提供了一个稳健且在数学上有据可循的多喷嘴设计方法，弥补了此前被忽视的理论差距。