用于电力控制的分布式强化学习智能体集成
机器学习
2022-08-31 v1 系统与控制
系统与控制
摘要
深度强化学习(或称“RL”)在工业与研究应用中日益普及。然而，它仍存在一些关键局限，阻碍了其广泛采用。其性能对初始条件和非确定性敏感。为应对这些挑战，我们提出了一种构建RL智能体集成的方法，以高效作出更好的局部决策，从而实现长期累积奖励。我们首次进行了数百次实验，在2个电力控制环境中比较不同的集成构建流程。我们发现4个智能体的集成将累积奖励提高了46%，将可复现性提高了3.6倍，并且能够在GPU和CPU上自然高效地并行训练与预测。
引用
@article{arxiv.2208.14338,
title = {Distributed Ensembles of Reinforcement Learning Agents for Electricity Control},
author = {Pierrick Pochelu and Serge G. Petiton and Bruno Conche},
journal= {arXiv preprint arXiv:2208.14338},
year = {2022}
}