用于偏微分方程约束优化与控制的物理信息神经网络
机器学习
2022-08-22 v2 最优化与控制
摘要
科学与工程中的一个基本问题是设计最优控制策略，以引导给定系统达到期望结果。本工作提出了控制物理信息神经网络，它在一个符合底层物理定律的单阶段框架中，同时求解给定系统状态和最优控制信号。先前的方法采用两阶段框架，首先对系统进行建模，然后按顺序控制系统。相比之下，Control PINN 在其架构和损失函数中融入了所需的最优性条件。通过求解以下开环最优控制问题，展示了 Control PINN 的成功：(i) 一个解析问题，(ii) 一维热方程，以及 (iii) 二维捕食者-猎物问题。
引用
@article{arxiv.2205.03377,
title = {Physics-informed neural networks for PDE-constrained optimization and control},
author = {Jostein Barry-Straume and Arash Sarshar and Andrey A. Popov and Adrian Sandu},
journal= {arXiv preprint arXiv:2205.03377},
year = {2022}
}