論文の概要: A semi-centralized multi-agent RL framework for efficient irrigation scheduling

• arxiv url: http://arxiv.org/abs/2408.08442v1
• Date: Thu, 15 Aug 2024 22:27:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 17:09:56.027119
• Title: A semi-centralized multi-agent RL framework for efficient irrigation scheduling
• Title（参考訳）: 効率的な灌水スケジューリングのための半集中型マルチエージェントRLフレームワーク
• Authors: Bernard T. Agyeman, Benjamin Decard-Nelson, Jinfeng Liu, Sirish L. Shah,
• Abstract要約: 本稿では,空間変動農業分野における灌水計画のためのセミアリティ・マルチエージェント強化学習(SCMARL)手法を提案する。 SCMARLフレームワークは本質的に階層的であり、トップレベルに中央コーディネータエージェント、第2レベルに分散ローカルエージェントがある。 カナダ・レスブリッジの大規模フィールドに対する広範な評価は、SCMARLアプローチと学習に基づくマルチエージェントモデル予測制御手法との比較である。
• 参考スコア（独自算出の注目度）: 0.8740747742808569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a Semi-Centralized Multi-Agent Reinforcement Learning (SCMARL) approach for irrigation scheduling in spatially variable agricultural fields, where management zones address spatial variability. The SCMARL framework is hierarchical in nature, with a centralized coordinator agent at the top level and decentralized local agents at the second level. The coordinator agent makes daily binary irrigation decisions based on field-wide conditions, which are communicated to the local agents. Local agents determine appropriate irrigation amounts for specific management zones using local conditions. The framework employs state augmentation approach to handle non-stationarity in the local agents' environments. An extensive evaluation on a large-scale field in Lethbridge, Canada, compares the SCMARL approach with a learning-based multi-agent model predictive control scheduling approach, highlighting its enhanced performance, resulting in water conservation and improved Irrigation Water Use Efficiency (IWUE). Notably, the proposed approach achieved a 4.0% savings in irrigation water while enhancing the IWUE by 6.3%.
• Abstract（参考訳）: 本稿では,空間変動型農地における灌水計画のための半集中型マルチエージェント強化学習(SCMARL)手法を提案する。 SCMARLフレームワークは本質的に階層的であり、トップレベルに中央コーディネータエージェント、第2レベルに分散ローカルエージェントがある。 コーディネータエージェントは、現地エージェントに伝達されるフィールドワイド条件に基づいて、毎日二分灌水決定を行う。 ローカルエージェントは、ローカル条件を用いて、特定の管理ゾーンに対して適切な灌水量を決定する。 このフレームワークは、ローカルエージェントの環境における非定常性を扱うために、ステート拡張アプローチを採用している。 カナダ・レスブリッジの大規模フィールドに対する広範囲な評価は、SCMARLアプローチと学習に基づくマルチエージェントモデル予測制御手法を比較し、その性能の向上を強調し、水質保全と灌水利用効率(IWUE)の改善をもたらす。 特に, 提案手法は, IWUEを6.3%高めながら, 排水中の4.0%の貯水量を達成した。

関連論文リスト

• Deep Reinforcement Multi-agent Learning framework for Information Gathering with Local Gaussian Processes for Water Monitoring [3.2266662249755025]
  局所ガウス過程と深層強化学習を用いて効果的なモニタリングポリシを共同で取得することが提案されている。 このモデルの平均と分散の観察に基づく決定に基づく、深い畳み込み政策が提案されている。 エージェントはDouble Deep Q-Learningアルゴリズムを用いて、安全な方法で推定誤差を最小限に抑えるように訓練される。
  論文  参考訳（メタデータ） (2024-01-09T15:58:15Z)
• 2-Level Reinforcement Learning for Ships on Inland Waterways: Path Planning and Following [0.0]
  本稿では、深部強化学習(DRL)に基づく内陸水路(IW)における自動表面車両(ASV)の制御のための現実的なモジュール化フレームワークを提案する。 高レベルローカルパス計画(LPP)ユニットと低レベルパス追従(PF)ユニットの2つのレベルから構成され、それぞれDRLエージェントで構成されている。
  論文  参考訳（メタデータ） (2023-07-25T08:42:59Z)
• Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling [0.20999222360659603]
  農業部門は水資源の保全と収穫量の最適化において大きな課題に直面している。 従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることがしばしば証明される。 本稿では,機械学習の3つのパラダイムを活用して,灌水スケジュールを最適化する予測灌水スケジューラを提案する。
  論文  参考訳（メタデータ） (2023-06-14T19:38:44Z)
• Local Optimization Achieves Global Optimality in Multi-Agent Reinforcement Learning [139.53668999720605]
  本稿では,各エージェントのローカルポリシーをバニラPPOと同様に更新するマルチエージェントPPOアルゴリズムを提案する。 マルコフゲームにおける標準正則条件と問題依存量により、我々のアルゴリズムはサブリニアレートで大域的最適ポリシーに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-08T16:20:03Z)
• The challenge of redundancy on multi-agent value factorisation [12.63182277116319]
  協調型マルチエージェント強化学習(MARL)の分野において、標準パラダイムは集中型トレーニングと分散実行の利用である。 そこで我々は,LRP(Layerwise Relevance propagation)を利用して,結合値関数の学習と局所報酬信号の生成を分離する手法を提案する。 VDNとQmixの両方のベースラインの性能は冗長エージェントの数によって低下するが、RDNは影響を受けない。
  論文  参考訳（メタデータ） (2023-03-28T20:41:12Z)
• Locality Matters: A Scalable Value Decomposition Approach for Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
  協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。 本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
  論文  参考訳（メタデータ） (2021-09-22T10:08:15Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Adaptive Mutual Supervision for Weakly-Supervised Temporal Action Localization [92.96802448718388]
  時間的行動ローカライゼーションのための適応的相互監視フレームワーク(AMS)を導入する。 提案手法は最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-04-06T08:31:10Z)
• Cooperative Heterogeneous Deep Reinforcement Learning [47.97582814287474]
  異種エージェントの利点を統合することで政策を学習できる協調的異種深層強化学習フレームワークを提案する。 グローバルエージェント(Global agent)は、他のエージェントからの経験を活用できる非政治エージェントである。 ローカルエージェント(英: local agent)は、地域を効果的に探索できる、政治上のエージェントまたは人口ベースの進化的エージェントである。
  論文  参考訳（メタデータ） (2020-11-02T07:39:09Z)
• F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
  分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。 本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。 当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
  論文  参考訳（メタデータ） (2020-04-17T14:56:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。