用于概率风险评估的强化学习与图神经网络
系统与控制
2024-02-29 v1 系统与控制
摘要
本文提出了一种结合强化学习（Reinforcement Learning, RL）和图神经网络（Graph Neural Networks, GNNs）来解决概率风险评估（Probabilistic Risk Assessment, PRA）模型的新方法。本文使用最流行的 PRA 模型之一——故障树（Fault Trees）来介绍并演示这一概念。本文的原创思想是将 RL 算法应用于解决以图模型表示的 PRA 模型。给定足够的训练数据或通过 RL，这种方法有助于训练通用的 PRA 求解器，从而优化并部分替代基于现有形式化方法的经典 PRA 求解器。这种方法有助于解决现代技术系统 PRA 模型复杂度快速增长的问题。
引用
@article{arxiv.2402.18246,
title = {Reinforcement Learning and Graph Neural Networks for Probabilistic Risk Assessment},
author = {Joachim Grimstad and Andrey Morozov},
journal= {arXiv preprint arXiv:2402.18246},
year = {2024}
}