脉冲冲击射流传热控制的深度强化学习
原文中文，约400字，阅读约需1分钟。发表于：。这项研究旨在探讨强化学习在基于计算流体力学的热控制中的适用性。结果表明，基于深度 Q 网络的 DRL 方法在热控制中具有较高的效率和可行性，其中软化双重 DQN 方法在各种变体中表现最佳，可以在控制周期的 98％以上将温度保持在期望的阈值范围内，这些发现证明了 DRL 在有效解决热控制系统方面的潜力。
本文利用深度强化学习算法提高智能脉冲雷达和相邻通信系统的动态非合作共存，最大化雷达探测性能，保持对频带的充分利用。实验证明，基于DQL算法的方法更有效地提高雷达的SINR和带宽利用率，同时维持良好的距离分辨率。SDRadar原型系统的实验结果证明了本文提出的深度强化学习方法在拥挤频谱环境下显著提高了雷达探测性能。
