近期我们针对PINN+强化学习的前沿成果进行了深度整合，从中筛选出12篇很有参考价值的论文，收录了IEEE TII、Applied Energy、IEEE Transactions on Robotics、Advances in Applied Energy等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「PINN强化」
免费获取全部论文合集及项目代码
RL-PINNS: REINFORCEMENT LEARNING-DRIVEN ADAPTIVE SAMPLING FOR EFFICIENT TRAINING OF PINNS
内容：本文提出RL‑PINNs框架，将PINN的配置点自适应采样建模为马尔可夫决策过程，采用DQN强化学习智能体完成单轮采样，摒弃依赖梯度计算的残差指标，以函数变化量作为无梯度奖励信号，并引入延迟半稀疏奖励机制侧重长期训练稳定性，整体流程分为PINN预训练、DQN驱动的自适应采样、利用筛选得到的关键采样点完成PINN最终训练三个阶段，在多种偏微分方程算例上开展实验与均匀采样、RAR、RAD方法对比验证方法性能。
Coordinated Power Smoothing Control for Wind Storage Integrated System with Physics-informed Deep Reinforcement Learning
内容：本文构建融合尾流模型与电池退化模型的风储联合系统双层协同功率平滑控制框架，将该控制问题转化为双层马尔可夫决策过程，针对风机与储能不同的控制频率设计上下层多智能体，在多智能体深度确定性策略梯度算法基础上把功率波动微分方程作为物理约束损失引入下层策略网络，提出PAMA‑DDPG算法，借助WFSim仿真平台在四类风速场景下开展仿真实验，与MPC、普通DDPG、MA‑DDPG基线方法对比来验证算法在提升总收益、平抑并网功率波动以及训练收敛速度方面的效果。
扫描下方二维码，回复「PINN强化」
免费获取全部论文合集及项目代码
Optimizing Energy Management of Smart Grid using Reinforcement Learning aided by Surrogate models built using Physics-informed Neural Networks
内容：本文针对智能电网最优潮流任务中强化学习依赖高代价仿真环境、样本效率低的问题，构建由KKT条件与功率平衡物理方程约束的PINN替代仿真代理模型，将其封装为兼容Gym接口的并行环境，采用PPO算法在该代理环境内训练强化学习策略，借助XGBoost分类器判别终止状态，通过调优并行环境数量与回滚缓冲区大小提升训练效率，同时将PINN代理与XGBoost、随机森林等纯数据驱动代理开展对比，在Gym‑ANM的ANM6‑Easy配电网算例上完成仿真验证。
Physics-informed modularized neural network for advanced building control by deep reinforcement learning
内容：本文构建物理信息模块化神经网络PI‑ModNN，从模型结构、损失函数、硬约束三方面嵌入建筑热动力学物理先验，提出温度响应违背指标与物理先验评估框架来衡量模型物理一致性、甄别各类物理先验的实际作用，给出面向控制任务的物理信息模型与深度强化学习结合的完整工作流程，以PI‑ModNN作为虚拟仿真环境训练DRL控制器，并在办公建筑的三个月案例上开展实验测试，同时形成一套四步式评估部署指导方案用于建筑先进控制落地。
扫描下方二维码，回复「PINN强化」
免费获取全部论文合集及项目代码
