流体力学中的深度强化学习：一种在主动流动控制与形状优化中均有前景的方法
流体动力学
2020-01-09 v1 计算物理
摘要
近年来，人工神经网络(ANNs)与深度学习在包括流体力学在内的广泛科学技术领域中日益流行。尽管充分掌握这些方法的潜力与局限尚需时日，但 accumulating 的证据表明它们有望帮助解决那些尚无理论最优解法的问题。在流体力学中尤其如此，其中涉及最优控制与最优设计问题。事实上，由于这类问题兼具非线性、非凸性与高维性，传统方法难以有效求解。相比之下，深度强化学习(DRL)——一种通过试错向ANN传授经验策略的优化方法——很适合求解此类问题。在本简短综述中，我们深入剖析流体力学中DRL使用的当前技术状态，聚焦于控制与最优设计问题。
引用
@article{arxiv.2001.02464,
title = {Deep Reinforcement Learning in Fluid Mechanics: a promising method for both Active Flow Control and Shape Optimization},
author = {Jean Rabault and Feng Ren and Wei Zhang and Hui Tang and Hui Xu},
journal= {arXiv preprint arXiv:2001.02464},
year = {2020}
}