用于作物规划决策支持的多智能体强化学习方法比较分析
机器学习
2025-02-25 v2 人工智能
计算机与社会
摘要
在印度，大多数农民属于小农或边缘农户，他们的生计特别容易受到市场波动和气候风险导致的经济损失的影响。有效的作物规划可以显著影响他们的预期收入，然而现有的决策支持系统（DSS）往往提供通用建议，未能考虑实时市场动态和多个农户之间的相互作用。在本文中，我们评估了三种多智能体强化学习（MARL）方法在最大化农民总收入并促进作物规划公平性方面的可行性：独立Q学习（IQL），其中每个农民独立行动，无协调；逐智能体（ABA）方法，顺序优化每个农民相对于其他农民的策略；以及多智能体Rollout策略，联合优化所有农民的行动以最大化全局奖励。我们的结果表明，虽然IQL具有线性运行时间的计算效率，但它在智能体间的协调方面存在不足，导致总奖励较低和收入分配不均。相反，多智能体Rollout策略实现了最高的总奖励并促进了农民间的公平收入分配，但需要显著更多的计算资源，对于大量智能体而言实用性较低。ABA在运行效率和奖励优化之间取得了平衡，提供了合理的总奖励、可接受的公平性和运行时间。这些发现强调了在DSS中选择合适的MARL方法以提供个性化和公平的作物规划建议的重要性，推动了更以农民为中心的农业决策系统的发展。
引用
@article{arxiv.2412.02057,
title = {Comparative Analysis of Multi-Agent Reinforcement Learning Policies for Crop Planning Decision Support},
author = {Anubha Mahajan and Shreya Hegde and Ethan Shay and Daniel Wu and Aviva Prins},
journal= {arXiv preprint arXiv:2412.02057},
year = {2025}
}