提出了一种基于数字孪生增强的强化学习框架，旨在优化网络资源管理的性能和可靠性，此框架在物理网络中应用传统的强化学习面临多个统一挑战，包括有限的探索效率、收敛速度缓慢、长期性能较差以及在探索阶段的安全问题。

Jun, 2024

网络切片通信系统通过动态和高效地分配资源来满足各种服务的需求。本文提出了一种由数字孪生和强化学习代理构成的框架来处理资源分配的问题，并验证了该框架的可扩展性，展示了数字孪生对切片优化策略性能的显著改进。

Nov, 2023

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

本研究的目的是利用深度 Q 网络 (DQN) 优化决策，以促进农业部门光伏系统的安装。该研究通过开发一个 DQN 框架，考虑安装预算、政府激励、能源需求、系统成本和长期效益等因素，帮助农业投资者做出明智的决策。该研究结果显示了深度 Q 网络如何支持农业投资者在光伏系统安装方面做出决策，并在促进可持续和高效农业实践方面具有重要意义。通过使用深度 Q 网络，农业投资者可以做出优化决策，提高能源效率，减少环境影响，增强盈利能力。这项研究对光伏系统在农业领域的整合和进一步创新具有重要贡献。

Aug, 2023

利用强化学习技术对模拟的作物育种计划进行优化，以此来改善农业生产力并减少土地使用、温室气体排放和水消耗。使用真实基因组玉米数据对基于强化学习的育种算法与标准育种方法进行对比，研究表明强化学习技术在遗传增益方面具有优势。

Jun, 2024

数字孪生（DT）对于实现可持续和有效的智慧城市解决方案至关重要，但现有的 DT 建模技术无法支持智慧城市环境的动态性，本研究探讨了时空图，并提出了基于强化学习的自适应孪生（RL-AT）机制，通过深度 Q 网络（DQN）的方法来填补该空白，该研究在精确性、同步性、资源优化和能源效率方面做出了贡献，时空图模型能够以更一致的精确性提供 55% 更高的查询性能，此外，我们的模型还证明了较低的开销和节能消耗率，实现了合理时间的数据获取，开销下降了 20%，能源消耗下降了 25%。

Jan, 2024

本文对深度学习技术在农业和食品生产方面应用的 40 项研究进行了综述，考察了研究中使用的数据、模型和框架，比较了深度学习和其他常用图像处理技术在分类或回归性能上的表现，结果表明深度学习准确性高，优于现有的常用图像处理技术。

Jul, 2018

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

本文提出了一种 Digital Twin 辅助的 RL 任务调度方法，在探索效率上通过 DT 显著提高 RL 的收敛速度，使用 DT 模拟智能体做出的不同决策，从而实现探索多种行动并行交互的效果，提高了更快的数据分析能力和收敛效果。

Aug, 2022

人工智能在农业中的应用被大部分忽视，本文通过对机器学习在农业中的应用进行全面综述，旨在探索其在农业实践和效率提升中的转型潜力，以优化作物产量并减少环境影响。通过分析和分类农业数据，本研究突出了机器学习能够提高农场生产力和盈利能力的例子，并讨论了在农业应用中显示有希望结果的重要机器学习模型及其独特特点。通过系统综述现有文献，本文填补了人工智能在农业领域的研究空白，为新手和研究者提供了有价值的信息，更深入地了解人工智能在农业中的重要贡献和潜力，最终受益于研究界。

May, 2024