大多数工业过程具有固有的非线性特性。因此，使用线性化模型的经典控制策略在实现最优控制方面并不有效。本文提出了一种基于人工神经网络（ANN）的强化学习（RL）策略来控制非线性相互作用液位系统。该控制策略充分利用了神经网络的泛化能力、抗噪能力和函数逼近能力以及RL方法的最优决策能力。提出了求解一般非线性控制问题的两种不同的ANN-RL方法，并将其应用于两个基准非线性液位控制问题。并与基于离散状态空间的纯RL控制策略进行了比较。对基准非线性液位控制问题的性能比较表明，ANN-RL方法可以获得更好的控制效果，其振荡、干扰抑制和超调量都很小。

代码演示了复杂非线性系统的RL控制。相互作用的两罐液位系统的状态空间模型可以用不同系统的状态空间模型代替，并且可以调整相同的代码来控制其他非线性系统。

大多数工业过程都表现出固有的非线性特性。因此，使用线性化模型的经典控制策略无法有效地实现最佳控制。本文提出了一种基于人工神经网络（ANN）的强化学习（RL）策略，用于控制非线性相互作用液位系统。这种ANN-RL控制策略利用了ANN的通用性，抗噪性和功能逼近能力以及RL方法的最佳决策能力。提出了两种解决一般非线性控制问题的ANN-RL方法，并将其应用于两个基准非线性液位控制问题，以评估其性能。也将ANN-RL方法与基于离散状态空间的纯RL控制策略进行了比较。

获取代码