基于梯度增强机器学习控制的流化弹球稳定化

我们利用自动化的梯度增强机器学习算法稳定了流过三个旋转圆柱集群（流化弹球）的流场。控制律以开环和闭环方式指挥每个圆柱的旋转速度。这些控制律针对目标稳态解的平均距离在三个依次更丰富的搜索空间中进行优化。首先，采用稳态对称强迫进行稳定。其次，我们允许非对称稳态强迫。第三，我们确定一个采用下游九个速度探针的最优反馈控制器。正如预期，控制性能随搜索空间的每次泛化而提升。令人惊讶的是，开环和闭环最优控制器都包含非对称强迫，其优于对称强迫。有趣的是，最佳性能由相量控制与非对称稳态强迫的组合实现。我们假设非对称强迫是名义对称构型叉式分岔动力学的典型特征。关键赋能因素是增强了梯度搜索的自动化机器学习算法：用于开环参数优化的探索性梯度方法，以及用于反馈优化的梯度增强机器学习控制（gMLC）。gMLC 学习控制律的速度显著快于先前采用的遗传编程控制。gMLC 源代码可在线免费获取。