今日AI-深度强化学习-2024年11月7日

1. 该论文提出了一种基于分而治之概念的分层深度强化学习方法（HDRLITF），利用改进的Transformer模型解决大规模实时城市物流配送规划问题。
2. 该方法由数据处理模块、深度学习模型和训练方法三部分组成，包括使用聚类方法将客户划分为多个互不相关的客户群、使用图注意力模型和门控机制改善Transformer的性能、使用行动者-批评者算法采用两阶段方法为其进行训练。
3. 实验结果表明，HDRLITF方法在性能上优于现有的深度强化学习方法，在解决复杂的城市物流配送优化中有很大潜力。

1. 论文《基于深度强化学习的园区综合能源系统低碳经济调度》发表于“电网技术”提出一种考虑阶梯式碳交易的综合能源系统经济调度模型，并采用深度强化学习方法求解
2 随着环境压力日益增加，减少碳排放已共识，中国为此设定了2030年前碳峰2060碳中和的目标
3. 该文提出了一个阶梯式的碳交易成本计算模型，更加灵活地调整碳排放成本，鼓励企业采取措施减少碳排放
4. 该文介绍了应用深度强化学习(DRL)解决综合能源IES低碳经济问题的方法，采用了改进的近端策略优化(PPO)算法
5. 该文提出了一种面向园区综合的低碳经济调度方法，通过使用典型的综合和开源CREST生成的数据进行实验，结果所提出的方法能够根据系统的实际波动进行最优调度

1. 本文研究了无人机辅助边缘计算网络的路径规划，制定了旨在最大化设备卸载的数据比特量同时最小无人机能量消耗的路径。为了处理复杂环境的动态变化，应用深度强化学习DRL）方法，双深度Q学习网络（DDQN）开发了一种在线路径规划算法。
2. 本文展示了结果的图片以及部分代码。
3. 本文给出了文献来源。

1. 本文研究了无人机辅助边缘计算网络的路径规划问题，其中一架无人机了边缘服务器，用于执行从多个设备卸载的计算任务考虑到无人机动态飞行和任务消耗的能量，了一个旨在最大化设备卸载的数据比特量同时最小化无人机能量消耗路径规划问题。
2. 为了处理复杂环境的动态变化，应用深度强化学习（DRL）方法，基于双深度Q学习网络（DDQN）开发了一种在线路径规划算法。
3. 广泛的仿真结果验证了提出的基于DRL的路径规划算法在收敛速度和系统奖励方面的有效性。