Jan, 2023

利用高维度传感器反馈的深度强化学习进行灌溉调度

PDF
TL;DR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。
deep reinforcement learningirrigation schedulingoptimizationcrop growthdecision making
发现论文，激发创造
  • 利用深度强化学习在田地中优化灌溉效率

    本研究提出使用深度强化学习的 DRLIC 灌溉系统来优化灌溉效率，通过考虑当前土壤水分测量和未来水分损失的最优控制策略，实现了水源节约高达 9.52%。

    Apr, 2023

  • 应用强化学习和模仿学习优化农作物管理

    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

  • 应用混合整数模型预测控制及机器学习范例进行灌溉调度整合

    提出了一种利用机器学习进行灌溉决策优化的预测灌溉调度程序，该程序采用 k-means 聚类方法将田地划分为不同的灌溉区域，使用长短时记忆网络对其进行动态预测，并采用混合整数优化来在最大程度上减少灌溉成本的同时提高水效率和作物产量。

    Jun, 2023

  • 深度强化学习优化地下系统不确定地质条件下的井控

    本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化 / 历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的 CLRM 方法，基于 DRL 的方法在油水注入生产中的净现值（NPV）获得了 15% 和 33% 的提升，并且相对于传统 CLRM 平均提升了 4% NPV，并且在多种地质模型场景中均能发挥较好的效果。

    Mar, 2022

  • 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

  • 填充 - 溢出：深度强化学习策略梯度方法用于水库操作决策与控制

    研究采用深度强化学习方法（DDPG、TD3 和 SAC18 和 SAC19）分析并找到了加利福尼亚州福尔桑水库的最佳操作政策，结果表明 TD3 和 SAC 方法能够满足水库需求并优化其运行策略。

    Mar, 2024

  • 泵站调度问题：强化学习的实际应用场景

    研究介绍一种测试环境和基于实际水配送系统的泵站调度问题的深度强化学习方法，包括泵站调度任务的基本概述和挑战，以及测试数据集的释放。

    Oct, 2022

  • 基于学习的农业管理应对气候变异的部分可观测环境

    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

  • 基于模型的深度强化学习加速流体模拟的学习

    深度强化学习在闭环流控问题中应用模拟环境进行优化，通过模型和流模拟样本相互交替训练，有效减少流控应用中的计算时间，尤其对于复杂流模拟有着潜在的巨大节约。

    Feb, 2024

  • 深度强化学习在机器调度中的应用方法、现状和未来方向

    深度强化学习 (DRL) 在机器调度问题中的方法和应用进行了全面的综述和比较，发现 DRL 方法在计算速度和生成接近全局最优解方面表现优于其他方法，但面临着处理复杂操作约束、多目标优化、泛化性、可扩展性、解释性和鲁棒性等限制，解决这些挑战将是未来研究中的关键焦点。该论文为研究人员评估当前 DRL 机器调度领域的现状以及发现研究空白提供了宝贵的资源，同时也帮助专家和从业者选择适合生产调度的 DRL 方法。

    Oct, 2023