复杂流动中的智能颗粒游动策略研究进展

摘要

智能颗粒定义为可以根据环境的变化而主动调整自身在流场中运动的颗粒, 一般用于描述微小的游动物体, 如微生物、浮游生物和微纳机器人. 由于颗粒运动学特性和流场环境的复杂性, 探索智能颗粒的运动策略是一项具有现实意义与挑战性的研究. 近期强化学习算法被应用于智能颗粒的运动策略研究, 并取得一定进展. 本文将讨论强化学习在智能颗粒研究中的应用, 并介绍浮游生物运动策略的相关研究进展, 包括适用于海洋浮游生物的游动颗粒模型, 以及强化学习的基本原理和此类问题的研究框架. 海洋浮游生物的昼夜垂直迁移对其生存和繁衍至关重要, 生物学研究表明某些浮游生物可感知周围的流场信息, 但能否利用这些信息提高垂直方向游动效率仍是一个未知的问题. 基于这一背景, 相关研究考虑了重力沉降和颗粒形状对浮游生物垂直游动策略的影响. 研究发现细长的颗粒能够更加高效地垂直向上运动, 而重力沉降则导致智能游动策略发生较大变化. 在此基础上, 后续研究进一步考虑了局部流体信号的作用, 并讨论了基于局部信息在全局坐标系中定向运动的可能性. 当颗粒只能感受到局部流体信号时, 必须破坏动力学系统的对称性, 否则颗粒无法学到有效的垂向游动策略. 此外, 研究还发现强化学习能够利用流体信号背后的机制, 得到颗粒在二维定常流动和三维非定常湍流中高效垂直运动的策略. 这些智能游动策略依赖于本质的物理规律, 因此这些策略在更加复杂或真实的流动中也可能有优秀的表现.