基于状态的潜在游戏中的迁移学习用于去中心化制造系统的过程优化
机器学习
2026-01-01 v3 人工智能
计算机科学与博弈论
摘要
本文提出了一种 novel 的在线迁移学习方法，用于制造系统中分布式自优化的状态基潜在游戏（TL-SbPGs）。该方法针对实际工业场景，旨在通过知识在相似玩家之间共享来增强大规模和去中心化环境中的学习效果。TL-SbPGs 使玩家能够复用来自其他玩家的已学习策略，从而改善学习结果并加速收敛。为实现此目标，我们发展了玩家的迁移学习概念和相似性准则，提供两种 distinct 设置：(a) 玩家之间预定义的相似性；(b) 在训练期间动态推断的玩家之间的相似性。正式建立了 SbPG 框架向迁移学习的适用性。此外，我们Present了一种优化知识迁移时机和权重的方法。实验结果表明，与 vanilla SbPGs 相比，TL-SbPGs 在生产效率和能源消耗方面均有所改善。
引用
@article{arxiv.2408.05992,
title = {Transfer learning of state-based potential games for process optimization in decentralized manufacturing systems},
author = {Steve Yuwono and Dorothea Schwung and Andreas Schwung},
journal= {arXiv preprint arXiv:2408.05992},
year = {2026}
}
备注
This revised pre-print was accepted in Computers in Industry in December 2025