基于在线深度强化学习的资源流自适应控制以优化施工工作与现金流
人工智能
2023-08-17 v1
摘要
由于施工工作、资源与现金流的复杂性和动态性，对其管理不善通常导致工期与成本超支、破产甚至项目失败。现有施工领域方法未能在含不确定性的动态环境中实现资源流的最优控制。因此，本文提出一种模型与方法，用于自适应控制资源流以优化施工项目的工作与现金流。首先，建立基于部分可观测马尔可夫决策过程的数学模型，将施工工作、资源与现金流的复杂交互以及多种影响因素的不确定性与变异性形式化。同时，为高效求解最优方案，引入基于深度强化学习（DRL）的方法，实现劳动力与物料流的连续自适应最优控制，从而优化工作与现金流。为辅助 DRL 训练，还开发了基于离散事件仿真的模拟器以复现项目的动态特征与外部环境。模拟场景中的实验表明，我们的方法优于朴素经验方法与遗传算法，在多样项目与外部环境中具备显著能力，且 DRL 与经验方法的混合智能体取得了最佳结果。本文对耦合的工作、资源与现金流的自适应控制与优化作出贡献，并可作为在建设项目管理中采用 DRL 技术的铺路石。
引用
@article{arxiv.2307.10574,
title = {Adaptive Control of Resource Flow to Optimize Construction Work and Cash Flow via Online Deep Reinforcement Learning},
author = {Can Jiang and Xin Li and Jia-Rui Lin and Ming Liu and Zhiliang Ma},
journal= {arXiv preprint arXiv:2307.10574},
year = {2023}
}