基于最优控制与强化学习的低雷诺数捕食优化
流体动力学
2022-07-13 v1 软凝聚态物质
生物物理
摘要
我们寻求低雷诺数下有限尺寸游动捕食者追逐无运动的点状或有限尺寸猎物的最佳拍动序列。我们对前者使用最优控制来寻求全局最优解，对一般情况使用 RL。捕食者由可实现前向与横向平移、旋转并产生应力子（stresslet）流的 squirmer 模型表示。我们确定了捕食者实现时间最优（TO）和效率最优（EO）捕食的最佳 squirming 序列。对于点状猎物，执行平移运动的 TO squirmer 偏好一种双折 L 形轨迹，使其能利用扰动流加速捕食；使用应力子模式显著加快 EO 捕食，使捕食者以更低能耗和更高捕食效率更快捕获猎物；捕食者可利用其应力子扰动流将猎物吸向自身；与平移捕食者相比，结合平移与旋转的同类时间效率较低，且后者偶尔通过退却以进的方式实现 TO 捕食。我们还采用 RL 复现追逐点状猎物的全局最优捕食策略，定性地捕捉了 TO 路径的关键双折属性。利用数值模拟的 RL 环境，我们探究了最优捕食路径对猎物尺寸的依赖关系。我们的结果可能提供有用信息，有助于设计合成微游动器，例如能够在黏性流中捕获和接近物体的体内医疗微机器人。
引用
@article{arxiv.2203.07196,
title = {Optimising low-Reynolds-number predation via optimal control and reinforcement learning},
author = {Guangpu Zhu and Wen. -Zhen Fang and Lailai Zhu},
journal= {arXiv preprint arXiv:2203.07196},
year = {2022}
}