深度强化学习在作物生产管理中的比较研究
系统与控制
2024-11-07 v1 机器学习
系统与控制
摘要
作物生产管理对于优化产量和最小化农田的环境影响至关重要，但由于所涉及的复杂和随机过程，这仍然具有挑战性。最近，研究人员转向机器学习来解决这些复杂性。具体而言，强化学习（RL）是一种前沿方法，旨在通过动态环境中的试错学习最优决策策略，已成为开发自适应作物管理策略的有前景工具。RL 模型旨在通过持续与环境交互来优化长期奖励，使其非常适合应对作物管理中固有的不确定性和变异性。研究表明，RL 可以生成与专家设计的策略竞争甚至超越的作物管理策略。在 gym-DSSAT 作物模型环境中——这是最广泛使用的作物管理模拟器之一——近端策略优化（PPO）和深度 Q 网络（DQN）已显示出有前景的结果。然而，这些方法尚未在相同条件下进行系统评估。在本研究中，我们在 gym-DSSAT 环境提供的三个不同 RL 任务（施肥、灌溉和混合管理）上评估了 PPO 和 DQN 与静态基线策略。为了确保公平比较，我们使用了统一的默认参数、相同的奖励函数和相同的环境设置。我们的结果表明，PPO 在施肥和灌溉任务中优于 DQN，而 DQN 在混合管理任务中表现出色。这一比较分析为每种方法的优势和局限性提供了关键见解，推进了更有效的基于 RL 的作物管理策略的发展。
引用
@article{arxiv.2411.04106,
title = {A Comparative Study of Deep Reinforcement Learning for Crop Production Management},
author = {Joseph Balderas and Dong Chen and Yanbo Huang and Li Wang and Ren-Cang Li},
journal= {arXiv preprint arXiv:2411.04106},
year = {2024}
}
备注
10 pages