本书介绍了团队近年来将机器学习方法与等离子体流动控制相结合所取得的最新研究成果。在等离子体激励方法层面，通过深度学习实现了给定放电波形的逆向工程设计，大幅提升了激励设计能力。在高维激励参数寻优方面，将遗传算法和粒子群等启发式优化算法应用到翼型减阻和凹腔降噪实验中，得到了远远优于开环的控制结果。在闭环控制律优化方面，首次在中等雷诺数翼型流动和后台阶流动控制中应用了强化学习方法，与传统的线性遗传编程方法相比，将控制律寻优效率提升了一个量级。