精准水产养殖中基于强化学习的鱼类生长轨迹跟踪
系统与控制
2021-03-15 v1 系统与控制
摘要
本文在具有代表性的生物能生长模型下，研究基于强化学习的鱼类生长轨迹跟踪问题。由于复杂的水产养殖条件以及温度、溶解氧、非离子氨等不确定环境因素，以及包含鱼类生长模型多输入在内的强非线性耦合，在精准水产养殖中基于模型的控制方法无法高效求解生长轨迹跟踪问题。为此，我们利用离散状态-动作对马尔可夫决策过程，将生长轨迹跟踪问题表述为采样数据最优控制。我们提出了两种 Q-learning 算法，从水产养殖环境中鱼类从幼体到目标上市体重的整个生命周期各阶段的生长轨迹采样数据中学习最优控制策略。该 Q-learning 方案学习了网箱养殖鱼类生长率的最优投喂控制策略，以及针对水槽中养殖鱼类生长率带有最优温度曲线的最优投喂率控制策略。仿真结果表明，两种 Q-learning 策略均以更少的投喂率实现了较高的轨迹跟踪性能。
引用
@article{arxiv.2103.07251,
title = {Fish Growth Trajectory Tracking via Reinforcement Learning in Precision Aquaculture},
author = {Abderrazak Chahid and Ibrahima N'Doye and John E. Majoris and Michael L. Berumen and Taous-Meriem Laleg-Kirati},
journal= {arXiv preprint arXiv:2103.07251},
year = {2021}
}