生物集群运动在自然界中广泛存在且倍受关注,其中蕴含了复杂的流体力学、生物学和社会学机制,对生物集群行为的物理机理分析及仿生应用具有重要意义。本文采用格子玻尔兹曼方法、变形体动力学、浸没边界法及深度强化学习算法相结合的方法,数值研究了包含两个或多个波状运动翼型系统的自主运动问题,并对其中的部分或全部个体进行了主动控制。本文的结果对鱼类的集群游动有一定启示,主要工作及研究成果如下:（1）设计并开发了基于变形体-流体相互作用环境的强化学习控制程序。运用子迭代方法提高了流固耦合模拟程序的稳定性,并对程序进行了验证。通过进程通讯的方法实现了变形体-流体求解和算法迭代的独立开发和分布式运行,保证了算法的可扩展性、可移植性和高效性。（2）研究了两个串联排列的运动能力不同的波状运动翼型自主推进问题。考察频率比和振幅比两个参数对集群运动模态和推进性能的影响。研究发现,仅通过流动为媒介的相互作用,系统就能够形成稳定的集群推进,或由于运能性能的差异发生分离或碰撞。在稳定结构中,发现了两种典型的模态,分别为两者之间的间距接近常数（稳定位置模态）或呈周期性变化（稳定周期模态）。计算得到了模态分布的相图,由于波状运动翼型自主推进模型更接近真实鱼类游动,其分离模态和稳定模态的边界也更为真实。在稳定位置模态中,观察到了典型的快模态。水动力学分析表明,其中存在反向拖曳现象,即上游鱼体获得更大的水动力学优势。对于稳定周期模态,其巡航速度随频率比和振幅比乘积的变化是分段线性的。根据该分段线性尺度率关系,对集群推进性能进行了分析研究,给出了巡游速度分段线性增长斜率的理论依据,揭示了下游主导机制。（3）基于深度强化学习算法研究了两个自主推进波状运动翼型中对下游鱼体施加主动控制的集群运动。通过与环境的不断交互,智能体形成了基于相对位置信息、流动环境状态的决策系统,并对自身的拍动相位进行了主动控制,实现其自身游动效率的提升。在不需要完备的流动物理知识的情况下,通过模拟鱼体的视觉和侧线系统,实现对集群中个体的主动控制。根据不同输入参数和网络结构的训练结果,发现了两种典型的高效模态,分别为交错跟随模态和串联跟随模态。在两种模态下,智能鱼体通过与上游个体的尾迹涡结构相互作用,提升自身效率。控制结果与前人理论预测结果较为吻合。通过与理论模型的比较,揭示了集群中存在的水动力学优势。进而比较了不同输入参数和网络结构在算法性能的表现。结果表明,引入长短期记忆循环神经网络和水动力学信息的输入可以有效提高算法的性能,而偏航信息的缺失影响了算法的稳定性。对强化学习算法在生物集群运动问题中的应用进行了尝试,说明了视觉、侧线系统及记忆信息在其中的重要作用。（4）基于深度强化学习算法研究了自主推进集群运动的统一策略主动控制。通过深度强化学习算法,对包含二至六个自主推进变形体集群中的全部个体施加主动控制。在该策略中,集群中的每个鱼体都希望获得水动力学优势。最终,形成了基于视觉和侧线信息的决策系统。对包含两个个体的系统的研究发现,系统自发地形成了两种典型的高效率模态,分别为并排推进模态和紧凑模态。在这两种模态下,每个鱼体表现得相对“公平”,集群中的个体都能从集群中获取水动力学优势,系统总体效率更优。对于包含更多个体的集群系统,其控制策略表现为多种高效模态的叠加。通过与实验和理论结果的比较,解释了集群中的水动力学作用和社会学机制,加深了对于生物集群的理解,并分析了其中的作用机制和控制方案。该结果有效地解释了相关理论及实验工作中长期存在的分歧,并为仿生集群的设计提供了新思路。