高阶求解器中 p 自适应调整的强化学习策略
机器学习
2023-06-16 v1 流体动力学
摘要
强化学习（RL）已成为自动化决策过程的一种有前景的方法。本文探索将 RL 技术应用于使用高阶求解器时计算网格中多项式阶的优化。网格自适应通过在降低成本的同时提高精度，在提升数值模拟效率方面起关键作用。此处，基于近端策略优化的 actor-critic RL 模型提供了一种数据驱动方法，使智能体能够根据演化条件学习最优网格修正。本文给出了高阶求解器中 p 自适应的策略，并包含对基于 RL 的网格自适应主要方面的见解，包括适当奖励结构的制定以及 RL 智能体与模拟环境间的交互。我们讨论了基于 RL 的网格 p 自适应对计算效率与精度的影响。我们在一维无粘 Burgers 方程上测试了该 RL p 自适应策略，以证明策略有效性。相较均匀自适应，该 RL 策略降低了计算成本并提高了精度，同时将人工干预降至最低。
引用
@article{arxiv.2306.08292,
title = {A reinforcement learning strategy for p-adaptation in high order solvers},
author = {David Huergo and Gonzalo Rubio and Esteban Ferrer},
journal= {arXiv preprint arXiv:2306.08292},
year = {2023}
}