May, 2023

基于深度强化学习的建筑管道布局自动设计方法

PDF
TL;DR本文提出了一种基于深度强化学习的三维管道布局自动生成方法，通过定义基于管道长度、弯头和安装距离等三个约束条件的奖励函数，将几何特征上升到训练环境抽象层面，通过与环境的交互来收集数据并训练出 DRL 模型，可以自动设计出高质量的管道布局，取得了比传统算法更短的时间内完成布局任务的效果。
pipeline layoutdeep reinforcement learningautomationgeometric featuresengineering
发现论文，激发创造
  • 使用增强学习自动设计桁架

    本文提出了一种名为 AutoTruss 的两阶段框架，利用蒙特卡洛树搜索和强化学习等方法，能够高效地生成轻量、有效的桁架布局设计。在 2D 和 3D 的案例测试中，AutoTruss 的性能优于基于复杂度较低的设计。

    Jun, 2023

  • 使用基于模型的强化学习和语法合成进行管道合成的自动化机器学习

    AlphaD3M 使用自我博弈的强化学习实现 AutoML 并创造最新状态，之后通过运用管道语法和预训练模型进一步改进，取得了 AutoML 分类和回归任务基准数据集方面的表现优于现有方法的结果。

    May, 2019

  • 利用在线和离线深度强化学习的维护规划框架

    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。

    Aug, 2022

  • 自主车辆运动规划深度强化学习调查

    本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

    Jan, 2020

  • 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

  • 深度强化学习在过程设计中的应用：综述与展望

    转向可再生能源和原料供应的化工行业需要新的概念性工艺设计方法。最近，人工智能的突破为加速这一转型提供了机会。特别是深度强化学习作为机器学习的一个子类，已显示出解决复杂决策问题和辅助可持续工艺设计的潜力。我们通过三个主要元素调查了强化学习在工艺设计中的最新研究：（i）信息表示，（ii）智能体体系结构和（iii）环境和奖励。此外，我们讨论了潜在挑战的观点和有前景的未来工作，以充分发挥化工工程中强化学习的潜力。

    Aug, 2023

  • 利用深度强化学习进行贫民窟道路规划

    本文提出了一种基于深度强化学习的方法，以自动布置贫民窟的道路，在不同国家的真实城市中进行了广泛的实验，表明该方法可以显著提高可达性 14.3％，具有应用在真实的贫民窟升级中的潜力。

    May, 2023

  • 强化学习与演示的工业装配鲁棒多模态策略：一个大规模研究

    通过与基于传统工程方法的专业工业集成器的比较，研究表明基于深度强化学习的工业装配方法不仅可以超越已有的工业装配方法，还能超越人类运动系统，并且数据说明还有巨大的优化空间。

    Mar, 2021

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020

  • 分布式滤波电路的自动设计和优化采用强化学习

    提出的自动化方法利用强化学习算法来改善分布式过滤电路（DFCs）的设计，消除了工程师设计经验的依赖，从而显著降低了电路设计的主观性和限制性。实验结果表明，与传统的工程师驱动方法相比，该方法在设计效率和质量上都有明显的改进，特别是在设计复杂或快速演化的 DFCs 时表现出卓越性能。此外，与现有的电路自动化设计技术相比，该方法展现出更高的设计效率，凸显了强化学习在电路设计自动化中的巨大潜力。

    Feb, 2024