面向元素级桥梁生命周期优化的可解释深度强化学习
人工智能
2026-04-06 v1 机器学习
摘要
新版国家桥梁清单规范(SNBI)自2022年起生效, 强调使用元素级状况状态(CS)进行基于风险的桥梁管理。不同于通用组件评估, 元素级状况数据使用一组相对CS数量(即CS比例)来表示桥梁的状况。尽管这大大增加了桥梁状况数据的细粒度, 但也带来了由于从单个分类整数扩展到四维概率数组而建立最优生命周期政策的挑战。本研究提出了一种新的可解释强化学习(RL)方法, 以元素级状态表示寻求最优生命周期政策。与现有RL方法相比, 所提出的算法以合理的节点数和深度形式的斜率决策树呈现生命周期政策, 使其直接可被人类理解和审计, 并易于集成到当前的桥梁管理系统中。为实现接近最优的政策, 所提出的方法引入了三个主要改进: (a) 采用可微分软树模型作为演员函数逼近器, (b) 在训练期间进行温度退火, 以及(c) 正则化配合修剪规则以限制政策复杂度。这些改进共同可产生形式为确定性斜率决策树的可解释生命周期政策。这些技术的优势与权衡在监督学习和强化学习环境中均得到展示。该框架在钢板梁桥的生命周期优化问题中得到阐述。
引用
@article{arxiv.2604.02528,
title = {Interpretable Deep Reinforcement Learning for Element-level Bridge Life-cycle Optimization},
author = {Seyyed Amirhossein Moayyedi and David Y. Yang},
journal= {arXiv preprint arXiv:2604.02528},
year = {2026}
}
备注
under review