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。发表于：。通过采用基于漂移放松的采样方法，本文研究了 Deep Galerkin 方法所面临的采样问题，通过验证 Sznajd 和 Hegselmann-Krause 模型中的意见动态变化的多场控制问题，得出的策略在手动优化控制函数上实现了显著成本降低，并在 Deep FBSDE 方法上改进了线性 - 二次调节器问题。
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。
