可持续智能农场网络：利用决策理论引导的深度强化学习增强韧性与效率
机器学习
2025-05-07 v1 多智能体系统
摘要
基于太阳能传感器的监测系统已成为一项关键的农业创新，通过集成传感器技术、物联网以及边缘和云计算，推进了农场管理和动物福利。然而，这些系统对网络攻击的韧性及其对动态和受限能源供应的适应性在很大程度上仍未得到探索。为应对这些挑战，我们提出了一种可持续的智能农场网络，旨在各种网络和对抗性威胁以及波动的能源条件下维持高质量的动物监测。我们的方法利用深度强化学习（DRL）来制定最优策略，以最大化监测效能和能源效率。为了克服DRL固有的收敛缓慢挑战，我们整合了迁移学习（TL）和决策理论（DT）以加速学习过程。通过融入DT引导的策略，我们优化了监测质量和能源可持续性，显著减少了训练时间，同时实现了可比的性能回报。我们的实验结果证明，DT引导的DRL优于TL增强的DRL模型，提升了系统性能并将训练运行时间减少了47.5%。
引用
@article{arxiv.2505.03721,
title = {Sustainable Smart Farm Networks: Enhancing Resilience and Efficiency with Decision Theory-Guided Deep Reinforcement Learning},
author = {Dian Chen and Zelin Wan and Dong Sam Ha and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2505.03721},
year = {2025}
}