BriefGPT - AI 论文速递
·
基于深度 Galerkin 反馈法的智能体动力学最优控制
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
深度 Galerkin 方法 (DGM) 是一种使用深度神经网络解决高维偏微分方程问题的新算法。与传统方法依赖于网格不同，DGM通过对随机采样的时间和空间点进行批量训练来实现结果。该算法已在各种高维方程上进行了测试，并在不同边界和物理条件下展示了准确的近似通解。该论文还证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。
🎯
关键要点
-
提出了一种名为深度Galerkin方法（DGM）的算法，使用深度神经网络解决高维偏微分方程问题。
-
DGM不依赖于网格，而是通过随机采样的时间和空间点进行批量训练。
-
该算法在高维自由边界的偏微分方程、高维哈密顿-雅各比-贝尔曼偏微分方程和Burgers方程上进行了测试。
-
DGM能够准确近似各种边界条件和物理条件下的Burgers方程的一般解。
-
论文证明了神经网络在一类拟线性抛物型偏微分方程上的逼近能力。
➡️
