使用物理信息神经网络的 actor-critic 方法：流体冷却电池包的二维偏微分方程模型控制
机器学习
2023-05-19 v1 偏微分方程分析
最优化与控制
摘要
本文提出一种 actor-critic 算法，利用冷却流体控制电池包温度。该过程由耦合的一维偏微分方程（PDE）建模，其中受控的对流项决定冷却流体的速度。Hamilton-Jacobi-Bellman（HJB）方程是一个评估值函数最优性并确定最优控制器的 PDE。我们提出一种算法，将值网络视为物理信息神经网络（PINN）以求解连续时间 HJB 方程，而非离散时间 Bellman 最优方程，并推导出环境的最优控制器，我们利用该控制器实现最优控制。我们的实验表明，使用 HJB 方程更新值网络、并以与 PPO 相同方式更新策略网络的混合策略方法，在该 PDE 系统控制中取得了最佳结果。
引用
@article{arxiv.2305.10952,
title = {Actor-Critic Methods using Physics-Informed Neural Networks: Control of a 1D PDE Model for Fluid-Cooled Battery Packs},
author = {Amartya Mukherjee and Jun Liu},
journal= {arXiv preprint arXiv:2305.10952},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2302.00237