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
智慧农业 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。
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。