Jul, 2023

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

PDF
TL;DR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。
construction projectsresource flowscash flowsadaptive controloptimization
发现论文，激发创造
  • 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

  • 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

  • 通过多环境方法加速流控制的深度强化学习策略

    使用深度强化学习（DRL）进行流控制的方法现已提出，文章则针对使用計算流体动力学（CFD）数据训练 DRL 时面临的速度瓶颈进行改进，并提出两种方法以加速其运行：计算流体动力学本身的并行化以及 DRL 算法的并行处理。研究表明，这两种方法的组合可以实现对更复杂流体力学问题的 DRL 研究。

    Jun, 2019

  • 资源受限的深度强化学习

    为了优化城市资源分配，本文研究了基于 Deep RL 方法对于资源分配的约束条件以及对模拟器的表现

    Dec, 2018

  • 基于优化理论的深度强化学习用于超可靠无线网络控制系统资源分配

    基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能，接近最优性能且复杂度较低。

    Nov, 2023

  • 利用深度强化学习的自适应电力系统应急控制

    本文提出一种利用深度强化学习进行电力系统紧急控制的方法，并设计了一个名为 “RLGC” 的开源平台来辅助这种方法的开发和基准测试。通过在两区四机系统和 IEEE 39-Bus 系统中的案例研究，证明了该方法的优异性能和鲁棒性。

    Mar, 2019

  • 面向交通信号控制的鲁棒深度强化学习：需求激增、事故和传感器故障

    本论文详细研究采用深度强化学习（RL）算法解决交通拥堵问题，并开发了一个开源框架以评估这些算法在不同的交通模拟环境下的表现。通过考虑一系列外生不确定因素，如需求激增、容量减少和传感器故障等。我们得出了深度强化学习算法在交通控制领域的关键见解，并提出了具体的设计以减轻这些考虑过的外生不确定因素对系统的影响。

    Apr, 2019

  • 成本感知连续学习中的快速上下文适应

    本文探讨了在 5G 等新型网络中，如何平衡学习过程和用户数据平面的资源需求，并提出了一种动态策略来达成资源的有效利用和数据保障。研究结果表明，该方法在减少对用户 QoS 干扰的同时，可以比传统静态分配方法更快地达到高效的资源分配策略，达到了一个近似理想离线联邦学习解决方案的性能。

    Jun, 2023

  • 主动学习强化学习：一种随机最优控制方法

    本文提供了一个应对强化学习的框架，解决了建模不确定性和计算成本高的问题，通过使用强化学习来解决随机动态规划方程，所得的强化学习控制器对多种类型的约束条件是安全的，并且可以主动学习建模不确定性，实现实时学习。通过模拟实例证明了提出方法的有效性。

    Sep, 2023