IEEE TII | 值得学习！一种基于PINN与强化学习的自适应优化控制方法，用于自动船舶控制

本文针对控制仿射系统，提出了一种基于物理信息神经网络（PINNs）与自适应动态规划（ADP）深度结合的自适应优化控制方法，并应用于自动化水面船舶的控制。研究背景在于纯物理模型在线求解耗时、纯数据驱动模型泛化性差且难以处理系统约束的问题。研究目的是通过融合系统物理规律和在线数据，实现模型效率、精度与复杂度的平衡，并确保学习过程中控制策略的安全性与稳定性。方法核心是将最优控制策略分解为基于障碍李雅普诺夫函数和反步控制设计的可行稳定初始控制律，以及由神经网络逼近的自适应学习残差项，利用PINNs的自动微分特性逼近系统动力学和哈密顿-雅可比-贝尔曼方程。实验表明，在高比例系统动力学未知的场景下，该方法相比纯模型或纯数据方法具有更优的跟踪控制性能，有效降低了系统跟踪误差。结论证实了物理信息与数据融合对提升不确定系统控制性能的关键作用，所提方法实现了对自动化水面船舶系统的精准、安全且自适应的优化控制。