自适应网格细化的 Swarm 强化学习

ICLRApr, 2023

Swarm Reinforcement Learning For Adaptive Mesh Refinement

Niklas Freymuth, Philipp Dahlinger, Tobias Würth, Luise Kärger, Gerhard Neumann

TL;DR使用 Swarm 强化学习及 Graph 神经网络，将自适应网格细化问题形式化为协作系统，优于传统基于误差的方法，可在复杂模拟中提高准确性和效率。

Abstract

adaptive mesh refinement (AMR) is crucial for mesh-based simulations, as it allows for dynamically adjusting the resolution of a mesh to trade off computational cost with the simulation accuracy. Yet, existing methods for AMR either use task-dependent heuristics, expensive error estima

adaptive mesh refinement swarm reinforcement learning graph neural networks complex simulations error-based amr refinement

发现论文，激发创造

利用本地奖励的深度强化学习自适应群智网格细化

我们将自适应网格细化（AMR）作为一种协作、均质代理系统，通过迭代地分裂成多个新的代理来降低最大网格元素误差，从而提供了高效、稳定的优化，并在用户定义的分辨率下生成高度自适应网格。ASMR 在大量实验中展现了优于启发式方法和学习基准的性能，并在推理过程中在不同领域上推广，而且在更高要求的设置中产生比均匀细化快两个数量级的模拟网格。

Jun, 2024

自适应网格细化的强化学习

本研究提出一种新的有限元自适应网格细化方法，将其视为马尔可夫决策过程，并应用深度强化学习进行训练，从而解决了传统方法对瞬时误差估计的依赖问题，并通过静态函数估计和时间依赖方程等实验验证了该方法的可行性和有效性。

Mar, 2021

自适应网格细化的多智能体强化学习

本文介绍了一种 AMR 的全新游戏式拓展，使用深度多智能体强化学习算法 VDGN，解决了 AMR 的几个核心挑战，实现了错误和成本度量的全局最优解。

Nov, 2022

自适应网格细化的深度强化学习

本文提出了一种基于部分观测马尔可夫决策过程的自适应网格细化方法，并采用深度强化学习训练策略网络，以求取高效精确的数值模拟结果。

Sep, 2022

SRL 辅助的 AFM：利用监督和强化学习辅助的前沿推进法生成平面非结构四边形网格

本文提出了一种新的计算框架，名为 “SRL-assisted AFM”，通过结合前进算法和神经网络，使用具有策略网络的神经网络来选择参考点和更新前向边界，结合监督学习和强化学习来改进网格质量。最终的强化学习神经网络可以自动为具有锐利特征和边界层的复杂平面区域生成高质量的四边形网格。

Apr, 2023

自适应四边形网格生成的强化学习：软性演员 - 评论家算法

本文提出，实现并评估了一种基于强化学习的计算框架用于自动网格生成，通过将网格生成问题转化为马尔可夫决策过程，使用 “软玄学家” 算法对自动生成的网格进行学习，使我们能够建立一个完全自动化的网格生成系统，填补现有网格生成工具的空白。

Mar, 2022

合作与竞争：进化多智能体强化学习中的群集行为

本文提出了 Evolutionary Multi-Agent Reinforcement Learning (EMARL) 作为集群任务中的一种混合算法，将合作与竞争相结合并通过 boids 模型对聚群任务的智能体的奖励进行设计。同时，对于竞争，高适应性的智能体被设计为高级别智能体，低适应性的智能体被设计为初级智能体，让初级智能体随机继承高级智能体的参数。

Sep, 2022

基于专家演示的自适应网格生成的迭代尺寸场预测

通过协同网络和在线数据获取方案结合的方式，AMBER 将网格生成视为一种模仿学习问题，能够在推理过程中对任意新的几何形状进行高效准确的模仿，从而实现资源分配和精确模拟工程系统中的复杂物理系统。

Jun, 2024

一种可扩展的强化学习方法，用于在群体与群体交战问题中进行攻击分配

本文提出了一种强化学习 (RL) 框架，用于控制一大规模群体的密度以对抗敌对群体攻击。通过将群体对抗问题建模为马尔科夫决策过程并开发出 RL 算法，可在不了解敌对群体策略 / 动态的情况下计算出对抗策略，模拟结果表明，所开发的框架可以以高效的方式处理各种大规模对抗场景。

Oct, 2022

多智能体强化学习在湍流壁模拟中的应用

该研究使用科学的多智能体强化学习方法来发现适用于大涡模拟的壁面模型，从而有效地减少了计算成本并改良了风力发电设备的设计和气象预测能力。

Jun, 2021