面向可持续家庭环境的多目标强化学习元学习方法
机器学习
2024-07-17 v1 人工智能
摘要
有效的住宅器材调度对于可持续生活至关重要。虽然多目标强化学习（MORL）在平衡用户偏好方面已被证明有效，但传统 MORL 在特征生成变化的非平稳住宅环境中面临数据有限的挑战。显著的上下文变化可能使先前学习的策略失效。为此，我们将元学习范式扩展到最先进的 MORL 算法中，使其能够快速、少样本地适应变化的上下文。此外，我们采用基于自编码器（AE）的无监督方法检测环境上下文变化。我们还开发了一个用于评估我们方法的住宅能源环境，采用伦敦住宅环境的真实数据。该研究不仅评估了 MORL 在住宅器材调度中的应用，还强调了元学习在能源管理中的有效性。我们的最佳方法显著优于最佳基线，训练模型可为电费节省 3.28%，用户舒适度提升 2.74%，预期效用提高 5.9%。此外，它将解决方案稀疏度降低了 62.44%。值得注意的是，这些收益是在使用 96.71% 更少的训练数据和 61.1% 更少的训练步骤中实现的。
引用
@article{arxiv.2407.11489,
title = {A Meta-Learning Approach for Multi-Objective Reinforcement Learning in Sustainable Home Environments},
author = {Junlin Lu and Patrick Mannion and Karl Mason},
journal= {arXiv preprint arXiv:2407.11489},
year = {2024}
}