本文提出了一种智能作物管理系统,采用深度强化学习(RL)、模仿学习(IL)和作物模拟技术,通过同时优化氮肥施用和灌溉,解决了对特定种植环境和作物寻找最佳管理实践的挑战。实验结果表明,该管理系统在不同观测情况下的训练策略均取得了更好的效果,并且部分观测策略可以直接在实际情况中使用。
Sep, 2022
该研究采用深度强化学习技术,提出了一种有效的灌溉方法,旨在为农民提高粮食产量和效益。对于考虑的每天,决策规则基于九个状态变量输入,返回每天五个不同灌溉量的概率性建议,经过测试证明该决策规则可以在大多数情况下同时实现最高的灌溉效益和经济效益。
Jan, 2023
本文提出Compact Reshaped Observation Processing (CROP)方法,通过减少用于策略优化的状态信息来提高数据效率和泛化能力,为完全可观测的观察和行动空间制定了三个CROP,并在分布式安全格网世界中进行了实证展示。同时,与两个不同大小的程序生成的迷宫进行了基准比较,表明了CROP的改进。
Apr, 2023
通过引入保守性估计奖励的方法,本论文提出了一种创新的基于模型的离线增强学习算法,名为CROP,该算法通过同时最小化估计误差和随机动作的奖励来保守地估计模型训练中的奖励,从而实现保守的策略评估并帮助缓解分布偏移问题。在D4RL基准测试中,CROP的性能与最先进的基准算法相当。值得注意的是,CROP建立了离线和在线增强学习之间的创新连接,突出了通过采用在线增强学习技术对使用保守奖励训练得到的经验马尔可夫决策过程来解决离线增强学习问题的可行性。
Oct, 2023
利用深度强化学习和递归神经网络结合的创新框架,在农业管理中引入智能代理,优化氮肥管理策略,并研究气候变异对农业结果和管理的影响,为适应动态气候情景提供了可行的可调整肥料策略。
Jan, 2024
通过Scilab-RL软件框架,研究人员能够有效进行认知建模和强化学习方面的研究,特别注重基于目标的强化学习和实验可视化,最大限度地提高研究产出。
作物管理中采用深度强化学习和语言模型的决策支持系统在模拟实验中表现出卓越的性能,实现了经济利润的显著提升和环境影响的降低。
Mar, 2024
利用强化学习技术对模拟的作物育种计划进行优化,以此来改善农业生产力并减少土地使用、温室气体排放和水消耗。使用真实基因组玉米数据对基于强化学习的育种算法与标准育种方法进行对比,研究表明强化学习技术在遗传增益方面具有优势。
Jun, 2024
数字孪生在农业中的应用研究综述了以强化学习为基础的数字孪生在农业领域的应用,包括机器人技术、温室管理、灌溉系统和作物管理等,旨在发掘数字孪生与强化学习的整合研究现状,确定未来研究的机会和挑战,并探索协同解决农业问题和优化农业经营的方式,为更高效和可持续的农业方法铺平道路。
本研究针对传统农业管理中使用化学药剂的低效问题,提出了一种新颖的模拟框架AgGym,通过机器学习工具帮助农民制定个性化的生物胁迫管理计划。研究表明,AgGym能够有效预测不同生物胁迫条件下的产量损失,并利用深度强化学习策略实现化学药剂使用的减少及产量的提升,具有显著的经济效益和环境价值。
Sep, 2024