PDE约束优化控制问题-固定参数pinn,DAL对比

已于 2023-02-07 22:35:55 修改
阅读量460 收藏
点赞数
分类专栏： PDE约束优化控制问题 文章标签： 深度学习 概率论
于 2022-02-18 16:08:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forrestguang/article/details/123002177
版权
本文探讨了PDE约束优化控制问题，通过算例1和算例2，比较了深度学习方法中的固定参数PINN、DALNN和DAL算法的性能。在算例中，展示了三种算法的解决方案，并通过结果对比，分析了它们在解决偏微分方程和优化控制问题上的差异。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

算例1引入

{  minimize  J ( y , u ) : = 1 2

了解本专栏 订阅专栏 解锁全文
PDE约束优化控制问题-五点差分法结合adjoint
forrestguang的博客
01-27 337
伴随方法介绍 引入算例基本形式 min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,1]d. s.t. {−Δy=u,in  Ω,y=y0,on  ∂Ω.\begin{aligned} &\min_{u \in U_{ad},y} J(y,u) = \frac{1}{2}\|y - y_d\|^{2}_{L^{2}(\Omega)} + \frac{\alpha}{2}\|u\|^2_{L^{2}(\Omega)} ,\qu
PDE约束优化控制问题求解-间断问题
forrestguang的博客
02-07 647
min⁡y,uJ(y,u)=∫Ω(y−yΩ)2dxdy s.t. −Δy=u+eΩ,x∈Ω,y=0,x∈∂Ω.−1≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \int_{\Omega} (y - y_{\Omega})^2 dx dy \\ \text { s.t. } & - \Delta y = u + e_{\Omega},\mathbf{x} \in \Omega, \\{ }&y = 0, \math
PINN求解固体力学问题——论文加代码
最新发布
qq_36980284的博客
02-26 538
随着深度学习的快速发展，利用神经网络（Neural Network, NN）求解各类科学计算问题受到了越来越多的关注，包括流场、应力场、热场等问题[1-2]。在固体力学领域，深度学习主要用于材料建模，通过NN取代传统的本构模型[3-5]。在这些应用中，基于大量训练样本的神经网络通过最小化损失来学习输入到输出的映射关系。然而，在实际应用中，获取大量的训练样本通常非常困难。
PDE约束优化控制问题求解-基础入门
forrestguang的博客
08-06 642
问题引入 给出两个优化问题： 问题1 min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx dy + \int_{\partial \Omega} e_{\Gamma}y
【论文复现】无监督学习——使用VAE提取PDE控制的系统中的可解释的物理参数
m0_63642362的博客
03-11 651
【论文复现】无监督学习——使用VAE提取PDE控制的系统中的可解释的物理参数
pytorch实现NS方程求解-基础PINN
forrestguang的博客
04-14 8745
问题描述Kovasznay problem 参考文献：Dockhorn, T. . “A Discussion on Solving Partial Differential Equations using Neural Networks.” (2019). {−νΔu+uux+vuy+px=f1,−νΔv+uvx+vvy+py=f2,ux+vy=0,u∣∂Ω=u0,v∣∂Ω=v0.\left\{\begin{array}{l} -\nu \Delta u + uu_x + v u_y + p_x = f_
PDE约束优化控制问题-神经网络求解几何参数泊松约束问题
forrestguang的博客
03-11 279
算例1（gongwei） basicgeo.py 结果整理代码 算例2:box(μ1,μ2)(\mu_1,\mu_2)(μ1​,μ2​) min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,2]×[0,1]−B(1.5,0.5,μ1). s.t. {−Δy=u,in  Ω,y=1,on  ∂Ω.B(1.5,0.5,μ1)=(x−1.5)2+(y−0.5)2≤μ12.yd={1,x<1μ2,else.u∈Uad={u:0≤u≤10
偏微分方程约束下的优化控制问题（PDE-constrained optimal control problems）
forrestguang的博客
02-08 1530
{min⁡(y(x),u(x))∈Y×UJ(y(x),u(x)), s.t. F(y(x),u(x))=0 in Ω, and u(x)∈Uad,\left\{\begin{aligned} &\min _{(y(\mathbf{x}), u(\mathbf{x})) \in Y \times U} J(y(\mathbf{x}), u(\mathbf{x}) ),\\ &\text { s.t. } \ \mathbf{F}(y(\mathbf{x}),u(\mathbf{x
深度学习求解微分方程系列四：一种基于自适应激活函数的PINN求解方法—burger方程逆问题
山里娃的博客
11-10 6644
下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程逆问题。
implicit-PINN
04-07
数据驱动的机器学习，用于在升频过程中明确解决非线性问题。 我们使用数据驱动的机器学习来明确地解决升级过程中的非线性问题。 我们专注于扩大生物组织中对流，扩散和非线性React的微分平衡的问题。 经典有效性因子模型用于制定宏观React动力学。 从使用宏观尺度浓度和浓度梯度作为特征空间组成部分来训练网络的意义上说，网络被描述为是明确的。 通过后验平均将放大后的平均浓度解与从微观浓度场得到的数值解进行比较。 这项工作需要特别注意的三个结果：1）我们发现，经过训练的网络具有良好的泛化性，并且尽管组织的规模和几何形状明显不同，但它能够以高保真度预测逼真的结构组织的有效性因子。两种示例性组织类型； 2）该方法导致PDE的提升，其有效因子可以通过训练后的神经网络进行（隐式）预测； 3）更重要的是，从微观封闭问题中出现的源项中得出的隐含特征对于网络预测高保真校正因子至关重要。 有关更多信息，请参阅以
神经网络求解偏微分方程时遇到的一些问题
ion_ura的博客
01-06 1131
记录了自己编写神经网络解算偏微分方程时遇到的一些问题，并附上了完整的代码.
物理驱动深度学习（PINN）代码
山里娃的博客
10-12 7227
物理驱动深度学习代码总结
PINN学习记录（2）
weixin_45805559的博客
11-27 6710
PINN学习记录（2） PINN基于解物理的方程的应用，所以我自己学习了一段时间，参考了网上很多的开源项目，末尾会贴出一些，自己总结了一下思路 解微分方程 1、ODE f′(x)=f(x)f'(x)=f(x)f′(x)=f(x) f(0)=1f(0)=1f(0)=1 网络构造 这里说明一下，之后用nn.module，来解决，这只是建立一个通用网络 import torch import torch.nn as nn import numpy as np class Net(nn.Module):
NS方程求解-NSFnet
forrestguang的博客
04-14 2609
NSFnet求解CVD正问题 参考文献： Yang, H. , F. N. Hwang , and X. C. Cai . “NONLINEAR PRECONDITIONING TECHNIQUES FOR FULL-SPACE LAGRANGE-NEWTON SOLUTION OF PDE-CONSTRAINED OPTIMIZATION PROBLEMS *.” Siam Journal on entific Computing (2016). 其中γ=0.01,Re=1,Pr=0.72,Gr=1e
PINN解偏微分方程--程函方程
baidu_38662087的博客
11-02 6990
程函方程在地球物理学中对于走时场正演和射线追踪等具有很重要的意义。本文将简单介绍如何利用基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN）解程函方程。
【PINN物理信息网络】使用 tensorflow创建PINN物理信息网络求解差分方程（python)
k8291121的博客
01-02 1582
【PINN物理信息网络】使用 tensorflow创建PINN物理信息网络求解差分方程（python)
方程自己解（1）——物理信息神经网络（PINN）
热门推荐
Liu Feng's Blog
10-13 5万+
文章目录前言(一) 物理神经网络（PINN）解读1.1 PINN基本背景1.2 PINN算法描述 前言   最近正在看利用“深度学习”（大概吧，其实只是利用了neural network的自动微分特性（AD）），在看一些文章的同时，将文章中提到的开源代码用起来和复现一些基本方程求解能够加快我学习的进度，这里将持续贴出一些方程和代码的求解过程。当然非常希望同学和朋友们可以给我指出错误，最后如果能够坚持下去，这个系列的工作会分享到github，同时如果对各个开源程序有所帮助那就更好了！   由于会参考到很多文章
CTR --- DIN论文阅读笔记，及tf2复现（全网之最）
WGS.
01-07 850
总结笔记之前已经发过，这里直接贴出tf2实现的代码 https://blog.csdn.net/qq_42363032/article/details/121951588?spm=1001.2014.3001.5501 # coding:utf-8 # @Email: wangguisen@infinities.com.cn # @Time: 2022/1/5 5:00 下午 # @File: ctr_DIN.py ''' DIN ''' import numpy as np import tensorfl
PINN物理信息网络 | 物理信息神经网络求解麦克斯韦方程
算法如诗的博客
03-21 1540
PINN物理信息网络 | 物理信息神经网络求解麦克斯韦方程
pde约束优化控制问题求解-间断问题
09-08
PDE约束优化控制问题是指在优化问题中存在偏微分方程（Partial Differential Equation, PDE）约束的控制问题。常见的PDE约束包括椭圆型、抛物型和双曲型方程等。 而间断问题是指在优化控制问题中，相关参数或变量会突然发生改变，即存在间断点的情况。间断问题的出现常常是由于系统的特性突变、外部扰动或控制策略的调整等原因引起的。 解决PDE约束优化控制问题的间断问题，可以采用以下方法： 1. 近似法：通过使用适当的数值方法，将偏微分方程转化为一系列离散点上的代数方程，然后利用求解代数方程的方法求解。在这种方法下，需要考虑间断点对数值方法的影响，并采取相应的调整措施。 2. 多模型方法：将间断问题转化为多个连续的子问题，每个子问题对应一段不连续的参数或变量。然后在每段连续区间上求解连续的PDE约束优化控制问题，最后将所有段的解整合起来。这种方法的关键是确定每个段的边界条件，以及在段之间实现平滑过渡。 3. 非光滑控制方法：通过使用非光滑控制理论，考虑到间断点的存在，建立非光滑控制模型，并在该模型下进行求解。这种方法的优势是能够处理复杂的间断问题，但需要深入研究非光滑控制理论及其应用。 总之，解决PDE约束优化控制问题求解的间断问题是一个具有挑战性的任务，需要合适的数值方法、数学模型和算法来克服。不同的方法适用于不同的问题，具体的选择应根据具体问题的特点和要求来决定。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

谨慎付费（看不懂试读博客不要订阅）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值