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

作物管理中采用深度强化学习和语言模型的决策支持系统在模拟实验中表现出卓越的性能，实现了经济利润的显著提升和环境影响的降低。

Mar, 2024

该文以综述的形式介绍了强化学习在基因组学领域中的应用，着重于基因调控网络、基因组装和序列比对等研究领域。通过提出一些新方向和探讨强化学习的局限性，该综述对当前领域的现状和未来趋势进行了总结。

Feb, 2023

数字孪生在农业中的应用研究综述了以强化学习为基础的数字孪生在农业领域的应用，包括机器人技术、温室管理、灌溉系统和作物管理等，旨在发掘数字孪生与强化学习的整合研究现状，确定未来研究的机会和挑战，并探索协同解决农业问题和优化农业经营的方式，为更高效和可持续的农业方法铺平道路。

Jun, 2024

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。

Jan, 2023

本研究探讨了人工智能（AI），尤其是强化学习（RL）在农业中的应用，以提高作物产量、精确调整氮肥使用和浇水量、减少硝酸盐径流和温室气体排放为重点，特别关注来自土壤的氧化亚氮（N2O）排放。通过使用部分可观察马尔可夫决策过程（POMDP）和作物模拟器来模拟 AI 智能体与农业环境的互动，应用基于循环神经网络（RNN）的深度 Q 学习和 Q 网络进行智能体的训练，在模拟器中整合了机器学习（ML）模型来预测 N2O 排放。我们通过概率机器学习方法处理了 N2O 排放估算中的不确定性，并通过随机天气模型应对气候变异，提供一系列排放结果以提高预测可靠性和决策能力。通过纳入气候变化因素，提升了智能体的气候适应能力，旨在实现可持续农业实践。研究结果表明，通过惩罚 N2O 排放，在气候变暖和降水减少等气候变化条件下，这些智能体能够平衡作物生产和环境问题。这种策略改善了气候变化下的农业管理，突出了人工智能在可持续农业中的作用。

Feb, 2024

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

本研究利用 Q 学习在奶牛养殖场景中学习了一种有效的电池充放电策略，结果显示与基准算法相比，该策略显著降低了电费，突出了奶牛养殖业中强化学习在电池管理方面的有效性。

Aug, 2023

这篇文章综述了将进化计算方法与强化学习相结合的最新研究进展和方法，涉及强化学习中的关键研究领域及未来方向，为研究者和实践者提供参考和资源。

Mar, 2023

通过应用强化学习于生成型人工智能，我们讨论了现有技术水平、机会以及开放性研究问题。具体而言，我们分析了三种应用情况，包括没有指定目标的生成方法、在最大化目标函数的同时生成输出的方法，以及将难以通过目标函数捕捉到的所需特征嵌入生成过程的方法。这一令人着迷的新兴领域的机会和挑战也在调查中得到了深入讨论。

Jul, 2023