基于遗传编程的湍流剪切流反馈控制

湍流剪切流引发了非线性动力学领域的基础研究，如转捩情景、图案形成与动力学建模。特别是，非线性动力学的控制数十年来一直是研究课题。在本出版物中，受驱动的湍流剪切流充当非线性反馈控制策略的测试平台，该策略能以自动自学习的方式优化任意代价函数。这由提供解析可处理控制律的遗传编程得以实现。与基于PID律或神经网络的控制不同，无需预先指定控制律的结构。该策略首先应用于具有湍流特征且线性控制方法失效的低维动力系统。这包括稳定非线性耦合振荡器模型的不稳定固定点，以及针对强迫Lorenz方程最大化混合（即Lyapunov指数）。我们首次展示了遗传编程控制对四个具有强非线性和内在噪声测量的剪切流实验的适用性。这些实验包括湍流剪切层中的混合增强、后向台阶后回流区的减小、以及分离边界层的优化再附着。遗传编程控制优于经过测试的最优最先进控制，甚至发现了新颖的驱动机制。