推进森林防火：用于有效防火带布置的深度强化学习
机器学习
2024-04-15 v1 人工智能
摘要
在过去几十年中，气候变化导致大规模野火频率和强度的增加，已成为重大的自然威胁。设计能够抵御此类灾害的韧性景观的迫切需求变得至关重要，这需要开发先进的决策支持工具。现有方法包括混合整数规划、随机优化和网络理论，虽已证明有效，但受制于计算需求，限制了其适用性。为了应对这一挑战，我们提出使用人工智能技术，特别是深度强化学习，来解决景观中防火带布置的复杂问题。我们采用了基于价值函数的方法，如 Deep Q-Learning、Double Deep Q-Learning 和 Dueling Double Deep Q-Learning。利用 Cell2Fire 火灾蔓延模拟器结合卷积神经网络，我们成功实现了一个能够学习森林环境中防火带位置的计算智能体，并取得了良好的结果。此外，我们引入了预训练循环，最初教导我们的智能体模仿基于启发式的算法，并观察到其性能持续超越这些解决方案。我们的发现强调了深度强化学习在运筹学挑战中的巨大潜力，特别是在防火方面。我们的方法在规模达 40 x 40 网格的问题实例中表现出收敛性且结果极佳，标志着将强化学习应用于这一关键问题的重大里程碑。据我们所知，本研究代表了利用强化学习解决上述问题的开创性努力，为防火和景观管理提供了有前景的视角。
引用
@article{arxiv.2404.08523,
title = {Advancing Forest Fire Prevention: Deep Reinforcement Learning for Effective Firebreak Placement},
author = {Lucas Murray and Tatiana Castillo and Jaime Carrasco and Andrés Weintraub and Richard Weber and Isaac Martín de Diego and José Ramón González and Jordi García-Gonzalo},
journal= {arXiv preprint arXiv:2404.08523},
year = {2024}
}
备注
20 pages, 15 figures