基于深度强化学习与可微 L0 稀疏多项式策略的参数化偏微分方程控制

通过字典学习和可微分 L0 正则化，我们提出了一种稀疏、稳健且可解释的参数化偏微分方程控制策略，优于基线的深度神经网络驱动强化学习策略，并能够推导出解释性的优化控制规律的方程，并在参数化 Kuramoto-Sivashinsky 和对流扩散反应偏微分方程的控制任务中展示了泛化能力。