任峰，高传强, 2，唐辉, 3,*

1. 香港理工大学 机械工程学系 流固耦合研究中心，香港 2.西北工业大学 航空学院，西安 710072 3.香港理工大学 深圳研究院，深圳 518057

流动控制常常按照是否有外部能量的输入分为主动流动控制和被动流动控制两类。其中，被动流动控制主要通过采用修改目标物体的几何形状来实现，比如在泳衣上采用类似鲨鱼表面的沟槽结构以实现减阻[1]。主动流动控制需要引入激励器(如吹吸射流[2]、合成射流[3]、等离子体激励器[4]等)以改变局部流动，进而实现全局的控制目标。如果激励器输出值根据流场中传感器的反馈信号得到，则称为闭环控制，否则为开环控制。流动的时空演化由非线性的Navier-Stokes方程主导，往往包含了高维、多频、多模态、多尺度等复杂特征，因此为控制带来了许多挑战。

作为实现人工智能最重要的途径，机器学习在近些年吸引了来自各个学科领域的大量关注，包括自然语言处理、计算机视觉、机器人等。机器学习致力于研究如何通过计算的手段，利用以数据为存在形式的“经验”来改善系统自身的性能[5]。因此，对于常常涉及海量数据的流体力学研究来说，机器学习亦已广泛引入[6]，包括粒子图像测速(PIV)、图像处理[7]、湍流模型[8-9]、气动外形优化[10]等。

作为流体力学中的重要领域，对流动控制的研究也在不断引入机器学习的概念[6,11-12]。在这个背景下，为了展示目前机器学习在流动控制中的应用现状，本文将从3类方法出发，重点回顾目前基于机器学习方法的流动控制研究工作，包括面向流动控制基于机器学习的系统辨识与降阶模型、基于遗传规划的主动流动控制、基于人工神经网络与深度强化学习的主动流动控制。……