面向数字孪生复合网络系统的深度强化学习
人工智能
2024-11-12 v1
摘要
数字孪生复合网络系统（DT-CNS）旨在构建并扩展复杂网络系统（CNS）模型，以逐步增加的动态复杂度更准确地反映现实——即现实的数字孪生。我们之前的工作提出了演化DT-CNS以建模流行病爆发中长期自适应网络变化。本研究通过提出时序DT-CNS模型，将该框架扩展到强化学习驱动的节点在流行病爆发中对时序有向相互作用作出决策。我们考虑合作节点以及以利他主义和无知的“免费骑手”在合作中的角色。我们采用易感-感染-恢复（Susceptible-Infected-Recovered, SIR）模型描述流行病传播过程，并探讨了不同节点类型的流行病严重程度对流行病韧性的影响。我们的实验结果表明：（i）完全合作的奖励更高，感染人数更少，相较于包含利他主义或无知“免费骑手”的合作而言；（ii）合作中“免费骑手”的数量增加导致奖励下降，而利他主义“免费骑手”的数量增加进一步恶化感染人数；（iii）更高的感染率和较慢的恢复会削弱网络对严重流行病爆发的韧性。这些发现也表明，促进合作和减少“免费骑手”可改善疫情期间的公共卫生。
引用
@article{arxiv.2411.06148,
title = {Deep Reinforcement Learning for Digital Twin-Oriented Complex Networked Systems},
author = {Jiaqi Wen and Bogdan Gabrys and Katarzyna Musial},
journal= {arXiv preprint arXiv:2411.06148},
year = {2024}
}