Adaptive Reinforcement Learning Models for Autonomous Resource Optimization
综述自适应强化学习在动态不确定环境下自主资源优化的框架、方法与应用。
← 主题
#强化学习
Energy-Aware Reinforcement-Driven Clustering Framework with Adaptive Processing for Sustainable IoT Sensor Networks
提出RECAP框架，用强化学习动态聚类与自适应处理延长农业物联网传感器网络寿命。
Visuomotor Robotic Pruning in Planar Orchills Using Hybrid Reinforcement Learning（基于混合强化学习的平面果园视觉运动机器人修剪）
提出端到端视觉运动控制器，用仿真合成数据训练，零样本迁移到真实果园完成修剪。
Deep reinforcement learning for simulated autonomous heat stress mitigation in dairy cattle
用深度强化学习在仿真中为奶牛个体化热应激缓解做决策支持。
Reinforcement Learning加Visual SLAM融合高光谱成像实现精准农业UAV作物水分胁迫自动检测:92%检测率vs固定路径61%,飞行时间减32%
Arsalan Iqbal在《engrXiv》预印本平台发布研究,提出一种基于强化学习引导的自主四旋翼无人机平台,融合机载视觉同步定位与建图(Visual SLAM)与推扫式高光谱成像载荷,在近实时构建地理参考的、冠层配准的作物水分胁迫指数(CWSI)地图。平台采用近端策略优化(PPO)训练的自适应采样策略,根据飞行中积累的证据将飞行时间和传感器驻留时间重新分配到新兴水分胁迫区域。在0.8公顷试验田模拟田间试验中,强化学习引导策略实现了92%的水分胁迫区域检测率(固定网格基线为61%),同时任务飞行时间减少约32%。研究还报告了SLAM衍生的冠层结构对CWSI精度的贡献消融研究、田间复杂性敏感性和全误差预算分析。注:本研究为预印本,未经实地验证。
Adaptive Generalized Regressive Deep Convolutional Reinforcement Learning for Crop Yield Prediction in Smart Precision Farming
本文提出自适应广义回归深度卷积强化学习(AGR-DCRL)模型,用于智慧精确农业作物产量预测。模型由输入层、卷积层、池化层和密集层组成,IoT技术采集天气、土壤、农药使用数据。在卷积层,采用加权局部相似性插补和广义Tietjen-Moore检验进行缺失值处理和异常值检测;在池化层,采用Camargo自适应多样性指数进行特征选择;在密集层,通过多项式逻辑回归进行产量预测,采用softmax激活函数生成多类预测结果。实验结果表明,AGR-DCRL模型相比传统深度学习方法准确率提高4%,误差率降低69%,预测时间快20%。原文标题:Adaptive generalized regressive deep convolutional reinforcement learning for crop yield prediction in smart precision farming,作者:Preethi P、Devadas R M,适用于大规模产量预测数据集。
基于多模态时空对齐与因果利润建模的农业投入优化(MAION)
中国农业大学付正捷、张誉恒等于Sensors发表针对智慧农业投入优化的多模态网络MAION。该框架构建统一的'地块-时间窗'农业状态表示,通过跨模态时空对齐模块解决田间图像、气象环境、土壤状态和田间管理记录之间采样频率不一致、语义尺度异构问题;通过投入-产出因果利润建模模块评估不同投入行为对产量、成本和净利润的潜在影响;并以利润驱动的强化学习生成面向长期净收益最大化的投入策略。在产量、成本和净利润预测上RMSE分别为0.587、0.531和0.648,R2达0.914/0.891/0.883;经济决策中净收益改善17.68%,投入产出比1.71,显著优于随机森林、XGBoost、LSTM、GRU和Transformer等基线。