Aug, 2022

利用在线和离线深度强化学习的维护规划框架

PDF
TL;DR该研究使用深度强化学习方法针对不断恶化的水管开发了一种自动确定最佳恢复策略的成本效益资产管理解决方案，并证明了基于深度强化学习的策略相对于标准的预防性、校正性和贪婪性计划方案具有更好的效果。
cost-effective asset managementdeep reinforcement learningrehabilitation planningwater pipeoffline learning
发现论文，激发创造
  • 机器维护规划、调度政策和优化的强化学习和深度强化学习解决方案

    该论文综述了强化学习和深度强化学习在维护计划和优化问题上的应用，介绍了利用条件监控数据和强化学习开发智能维护规划者的方法，以及该领域的研究差距、关键见解和未来工作领域。

    Jul, 2023

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017

  • 基于在线深度强化学习的资源流调控优化建筑工作和现金流

    这篇论文通过建立数学模型和引入深度强化学习（DRL）方法，实现了对建筑项目的资源流和资金流的连续自适应优化控制，提供了建筑项目管理中采用 DRL 技术的可行性，对工作、资源和资金流的自适应控制和优化做出了贡献。

    Jul, 2023

  • 离线在线强化学习的自适应策略学习

    本文介绍了一种名为自适应策略学习的框架，可用于离线学习与在线学习的融合，并通过采用乐观 / 贪心和悲观更新策略来提高离线数据集的质量，进而通过将值或基于策略的 RL 算法嵌入其中来实现。在各种连续控制任务上进行的实验表明，该算法可以在离线数据集质量较差的情况下实现高样本效率。

    Mar, 2023

  • 数字孪生的保守和风险意识离线多智能体强化学习

    提出了一种适用于基于数字孪生的无线网络的离线多智能体保守分位回归 (MA-CQR) 方案，通过集成分布式强化学习和保守 Q 学习来解决环境的内在的随机性不确定性和数据有限性导致的认识不确定性。在无人机网络中应用该方案，展示了其对轨迹规划问题的优势。

    Feb, 2024

  • 华尔街树搜索：离线强化学习的风险感知规划

    本研究提出了一种将现代投资组合理论（MPT）与强化学习相结合、针对离线数据训练进行风险管理的算法，通过集成 MPT, 该算法能够更好地解决离线强化学习中存在的不确定性问题，并在使用 Transformer 结构的情况下达到最优解。

    Nov, 2022

  • TranDRL: 基于 Transformer 的深度强化学习驱动的预防性维护框架

    基于变压器神经网络和深度强化学习算法的集成框架，通过有效捕捉传感器数据中的复杂时间模式来准确预测设备的剩余寿命，并提供成本效益和及时的维护建议，从而为产业运营中存在的关键挑战提供创新的数据驱动方法，实现更高效、更经济、更可靠的系统。

    Sep, 2023

  • 基于集中训练和分散执行的多智能体深度强化学习在交通基础设施管理中的应用

    我们提出了一个多智能体深度强化学习框架，用于管理大型交通基础设施系统的全生命周期。该框架通过约束的部分可观测马尔可夫决策过程，解决了在存在不确定性、风险考量和有限资源的情况下，对交通基础设施进行优化管理的问题。通过开发一种名为 DDMAC-CTDE 的 Deep Decentralized Multi-agent Actor-Critic 方法，该框架在美国弗吉尼亚州的一个具有代表性和现实性的交通网络应用中展示了优越的性能。与传统的管理策略相比，该方法在真实约束和复杂性下提供了近乎最优的解决方案。

    Jan, 2024

  • 基于混合数据集的无线网络优化的离线强化学习

    本研究采用离线强化学习算法解决无线电资源管理问题，通过评估使用行为策略收集的异构数据集来提出一种新的离线强化学习解决方案，表明在适当混合数据集的情况下，离线强化学习能够产生接近最优的强化学习策略。

    Nov, 2023

  • 水力分布网络实际应用中优化泵站可持续性的混合强化学习

    本文介绍了一种改进的 “混合强化学习” 方法，通过将强化学习与历史数据相结合，提高了泵站调度优化的可操作性，增强了智能体的行为解释能力，并最小化错误，从而显著改善了实际水配管网络的可持续性、操作效率和对新出现情况的动态适应能力。

    Oct, 2023