基于强化学习的沉降细长微型游动者的游动策略
流体动力学
2020-04-21 v2 计算物理
摘要
水生生态系统中的特定浮游生物能够根据局部流动环境协调其运动，以到达利于其生长或繁殖的区域。研究它们针对局部环境的游动策略，对于深入理解其在水环境中的行为十分重要。在本研究中，为考察形状与重力对游动策略的影响，将浮游生物视为椭球形状的沉降游动粒子。采用Q-learning方法获取智能粒子的游动策略，目标是在二维定常流中高效向上游动。将强化学习所得策略与朴素陀螺趋性粒子的策略进行比较，后者根据真实浮游生物的行为建模。研究发现，粒子的细长化通过增强粒子抵抗涡旋扰动的能力而改善了向上游动的性能。在包含沉降速度的情况下，强化学习所得策略与朴素陀螺趋性策略性能相近，二者均使游动者朝向向上方向对齐。机器学习所得策略与生物陀螺趋性策略之间的相似性，表明了真实浮游生物的非球形状与沉降效应同其陀螺趋性特征之间的关系。
引用
@article{arxiv.1811.10880,
title = {Swimming strategy of settling elongated microswimmers by reinforcement learning},
author = {Jingran Qiu and Weixi Huang and Chunxiao Xu and Lihao Zhao},
journal= {arXiv preprint arXiv:1811.10880},
year = {2020}
}
备注
14 pages, 7 figures. In the new version we correct the definition of particle state. The new version including new results, is organized in a more proper way. The older version might contain some useful information, so we decide not to withdraw the it, but we strongly suggest readers to refer to the new version