本文介绍了并研究了增强学习技术和开放式平台通讯（OPC UA）技术，分析了二者在工业控制与优化中的应用，进一步探讨二者结合的可能性和需求。研究发现，尽管增强学习在工业控制与优化领域有着广泛的应用前景，但是在实际应用中仍存在标准化接口不足的问题。

May, 2023

探索使用强化学习技术来提高制造业生产效率的潜力，以一个模型工厂为例，通过预设规则运输和组装货物，并将蓝色产品送到出口，绿色产品则运往存储。

Jun, 2023

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

通过使用分层强化学习技术，该论文对工业冷却系统进行优化，实现了节能的同时，控制了 HVAC 控制环境下冷却机的安全边界。

Sep, 2022

在建筑控制领域，本研究提出了一种新颖的 UED 算法 ActivePLR，通过使用具有不确定性感知的神经网络结构，在 RL 代理的能力极限处生成新的训练环境，并能够优先考虑在基准环境中的性能，表明 ActivePLR 能够在最小化能源消耗的同时最大化居住者舒适度方面优于最先进的 UED 算法。

Dec, 2023

本研究采用奖赏塑形和策略塑形技术同时训练 RL 智能体，以控制无人机；结果表明，与仅使用基于策略的方法训练智能体相比，使用两种技术同时训练的智能体获得了较低的回报，但训练期间达到了更低的执行时间和更少的离散度。

Dec, 2022

本文提出了使用 Multi-Agent RL 来应对硬件体系结构搜索中领域特定定制的挑战，此方法相对于单一智能体，其可扩展性更高且运行更高效。该方法已在设计领域特定 DRAM 内存控制器上得到验证，并表现出在低功耗和延迟等不同目标方面显著优于单一代理强化学习算法，如 Proximal Policy Optimization 和 Soft Actor-Critic。

Nov, 2022

本文提出了一种名为 ReLBOT 的新技术，使用深度强化学习中的转移学习，从现有的优化智能建筑中转移知识以降低新委托的建筑中强化学习代理的热身期的不良影响，最大程度地优化了能源消耗效果。

Apr, 2023

本文介绍了一种训练 RL 代理器的方法，通过使用 meta-reinforcement 学习、基于注意力的内存结构和有效的自动课程表，该代理器可以快速适应开放式的 3D 问题，并具有自适应性。

Jan, 2023

通过将 transformer 架构与 Proximal Policy Optimization（PPO）相结合，本文引入了一种新颖的框架来解决物联网应用中复杂环境下智能决策中的挑战，通过利用 transformer 的自注意机制，增强了强化学习代理在动态物联网环境中的理解和行动能力，从而提高了决策过程的效率。通过在智能家居自动化和工业控制系统等各种物联网场景中进行实证实验证明了该方法的有效性，显示了决策效率和适应性的显著提高。该研究的贡献包括对处理异构物联网数据中 transformer 的作用进行详尽的探索，对框架在不同环境中性能的全面评估，以及与传统强化学习方法进行的基准测试。结果表明该方法显著提高了强化学习代理在物联网生态系统中应对复杂性的能力，凸显了该方法在物联网领域智能自动化和决策制定领域的潜力。

Apr, 2024