随着机器学习技术的发展,机器学习控制（MLC）作为一种新兴的控制方法,已经在许多的领域取得了广泛的应用。机器学习控制将求解最优控制问题转换为控制率的学习优化问题,通过学习实现在特定条件下的最优控制。本文主要使用基于线性遗传编程控制（LGPC）的机器学习控制（MLC）方法,对流动弹球装置的净阻力功率减小、尾流稳定性两方面在不同的工况,不同搜索空间下进行控制探究,实现最优控制。并对LGPC所学的最优控制率关于雷诺数与噪声的鲁棒性进行验证。流动弹球装置作为一个经典的多输入多输出控制系统由三个等距放置并能独立旋转的圆柱体组成,在不同驱动转速与雷诺数下弹球装置可以产生丰富的流动机理与结构。首先,本文使用线性遗传编程在多种工况条件下进行减阻探究,利用升力系数与阻力系数作为可能的反馈控制率模型求解最优控制率。在雷诺数等于30,60,80,100,120的五种工况下,学习得到五个最优控制率,并分析了在每种工况下最优控制率的驱动形式、减阻策略,证明了流动条件的变化对最优控制策略的影响。发现随着雷诺数的增加,LGPC所学最优控制率的减阻效果从37.84%逐渐减小至20.84%。其次,本文还探究了每个工况下所学习的最优控制率对雷诺数的鲁棒性。证明了在给定雷诺数下学习的最优控制率,在相邻一定范围雷诺数内也可以实现减阻,减阻效果显著,证实了LGPC所学最优控制率对雷诺数具有鲁棒性。然后使用LGPC在变化雷诺数的条件下进行学习,所学控制率的控制效果与每个工况下的最优控制效果相接近。发现了针对雷诺数的变化,使用LGPC进行一次变化学习就可以完成鲁棒控制的结论。再次,本文对每个工况下所学习的最优控制率对噪声是否具有鲁棒性进行探究。随着噪声等级增加,测试每个工况最优控制率表现的变化。结果发现在噪声等级小于等于0.75时,随着噪声等级的增加,各个工况下最优控制率的表现并没有发生明显下降,证实了最优控制率对噪声是鲁棒的。本文还探究了噪声等级对学习过程的影响。在雷诺数等于100,噪声等级0.1,0.2,0.5的条件下,LGPC所学的最优表现与无噪声下的最优表现相比几乎处于同一水平。本章证实了无论是LGPC所学控制率还是学习过程本身对噪声都是鲁棒的。最后,本文探究了LGPC在不同的搜索空间下寻找最优控制率以保持尾流稳定。在雷诺数等于100的条件下,使用个体流场与理论稳定解流场的距离作为成本函数。首先在频率控制空间优化多频率控制率,实现了69%距离减小的结果。其次在下游设置了9个速度传感器的反馈控制搜索空间中,LGPC所学的最优控制率与目标的距离减小了74%。最后在频率控制与反馈控制相结合的搜索空间下,LGPC实现了进一步减小的目的,其效果为83%。在搜索空间从简单到复杂的情况下,LGPC所学最优控制率的表现也越来越好。综上所述,基于线性遗传编程控制（LGPC）的机器学习控制（MLC）方法可以针对不同的控制目标,在多种工况下,在不同的搜索空间内实现最优控制。并且LGPC所学得的最优控制率无论对雷诺数与噪声都具有一定的鲁棒性。LGPC可以在不进行先验设计的条件下可以解决复杂的控制问题。其学习过程和最优个体所体现出的鲁棒性,能够证实可以在更苛刻的条件下应用,以解决控制率优化问题,实现稳定的最优控制。