检索结果-南通市图书馆

Energy-Saving Distributed Flexible Job Shop Scheduling Optimization with Dual Resource Constraints Based on Integrated q-learning Multi-Objective Grey Wolf Optimizer

引用

Computer Modeling in Engineering & Sciences 2024年第8期140卷 1459-1483页

作者： Hongliang Zhang Yi Chen Yuteng Zhang Gongjie Xu School of Management Science and Engineering Anhui University of TechnologyMa’anshan243032China Laboratory of Multidisciplinary Management and Control of Complex Systems of Anhui Higher Education Institutes Anhui University of TechnologyMa’anshan243032China Department of Industrial Engineering School of Mechanical EngineeringNorthwestern Polytechnical UniversityXi’an710072China

The distributed flexible job shop scheduling problem(DFJSP)has attracted great attention with the growth of the global manufacturing industry.General DFJSP research only considers machine constraints and ignores worker constraints.As one critical factor of production,effective utilization of worker resources can increase productivity.Meanwhile,energy consumption is a growing concern due to the increasingly serious environmental issues.Therefore,the distributed flexible job shop scheduling problem with dual resource constraints(DFJSP-DRC)for minimizing makespan and total energy consumption is studied in this paper.To solve the problem,we present a multi-objective mathematical model for DFJSP-DRC and propose a q-learning-based multi-objective grey wolf optimizer(q-MOGWO).In q-MOGWO,high-quality initial solutions are generated by a hybrid initialization strategy,and an improved active decoding strategy is designed to obtain the scheduling schemes.To further enhance the local search capability and expand the solution space,two wolf predation strategies and three critical factory neighborhood structures based on q-learning are proposed.These strategies and structures enable q-MOGWO to explore the solution space more efficiently and thus find better Pareto solutions.The effectiveness of q-MOGWO in addressing DFJSP-DRC is verified through comparison with four algorithms using 45 instances.The results reveal that q-MOGWO outperforms comparison algorithms in terms of solution quality.

关键词： Distributed flexible job shop scheduling problem dual resource constraints energy-saving scheduling multi-objective grey wolf optimizer q-learning

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Traffic Control Based on Integrated Kalman Filtering and Adaptive quantized q-learning Framework for Internet of Vehicles

引用

Computer Modeling in Engineering & Sciences 2024年第3期138卷 2103-2127页

作者： Othman S.Al-Heety Zahriladha Zakaria Ahmed Abu-Khadrah Mahamod Ismail Sarmad Nozad Mahmood Mohammed Mudhafar Shakir Hussein Alsariera Faculty of Electronic and Computer Engineering Universiti Teknikal Malaysia Melaka(UTeM)Durian TunggalMalaysia College of Computing&Informatics Saudi Electronic UniversityRiyadhSaudi Arabia Department of Electrical Electronic and System EngineeringUniversiti Kebangsaan MalaysiaUKM BangiSelangorMalaysia Computer Technology Engineering College of Engineering TechnologyAl-Kitab UniversityKirkukIraq Faculty of Engineering and Electronic Engineering Universiti Tun Hussein Onn Malaysia(UTHM)Batu PahatMalaysia 6Research Center DepartmentThe University of MashreqBaghdadIraq

Intelligent traffic control requires accurate estimation of the road states and incorporation of adaptive or dynamically adjusted intelligent algorithms for making the decision.In this article,these issues are handled by proposing a novel framework for traffic control using vehicular communications and Internet of Things data.The framework integrates Kalman filtering and q-learning.Unlike smoothing Kalman filtering,our data fusion Kalman filter incorporates a process-aware model which makes it superior in terms of the prediction error.Unlike traditional q-learning,our q-learning algorithm enables adaptive state quantization by changing the threshold of separating low traffic from high traffic on the road according to the maximum number of vehicles in the junction roads.For evaluation,the model has been simulated on a single intersection consisting of four roads:east,west,north,and south.A comparison of the developed adaptive quantized q-learning(AqqL)framework with state-of-the-art and greedy approaches shows the superiority of AqqL with an improvement percentage in terms of the released number of vehicles of AqqL is 5%over the greedy approach and 340%over the state-of-the-art approach.Hence,AqqL provides an effective traffic control that can be applied in today’s intelligent traffic system.

关键词： q-learning intelligent transportation system(ITS) traffic control vehicular communication kalman filtering smart city Internet of Things

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Novel Static Security and Stability Control of Power Systems Based on Artificial Emotional Lazy q-learning

引用

Energy Engineering 2024年第6期121卷 1713-1737页

作者： Tao Bao Xiyuan Ma Zhuohuan Li Duotong Yang Pengyu Wang Changcheng Zhou Digital Grid Research Institute Southern Power GridGuangzhou510000China

The stability problem of power grids has become increasingly serious in recent years as the size of novel power systems increases.In order to improve and ensure the stable operation of the novel power system,this study proposes an artificial emotional lazy q-learning method,which combines artificial emotion,lazy learning,and reinforcement learning for static security and stability analysis of power systems.Moreover,this study compares the analysis results of the proposed method with those of the small disturbance method for a stand-alone power system and verifies that the proposed lazy q-learning method is able to effectively screen useful data for learning,and improve the static security stability of the new type of power system more effectively than the traditional proportional-integral-differential control and q-learning methods.

关键词： Artificial sentiment static secure stable analysis q-learning lazy learning data filtering

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于q-learning的改进人工蜂群算法求解分布式装配柔性作业车间绿色调度问题

引用

工业工程与管理 2024年

作者：唐红涛刘歆张伟雷德明汪开普武汉理工大学机电工程学院武汉理工大学自动化学院

针对分布式制造环境下先加工后装配的两阶段生产模式，研究考虑机器加工/装配功率和空闲功率的分布式装配柔性作业车间绿色调度问题。以最大完工时间和总碳排放为优化目标，建立混合整数规划模型，并提出一种基于q-learning的改进人工... 详细信息

针对分布式制造环境下先加工后装配的两阶段生产模式，研究考虑机器加工/装配功率和空闲功率的分布式装配柔性作业车间绿色调度问题。以最大完工时间和总碳排放为优化目标，建立混合整数规划模型，并提出一种基于q-learning的改进人工蜂群算法进行求解。首先，针对两阶段调度问题特点，设计了一种基于工序、工厂、机器和产品的四层编码策略。其次，提出了一种混合种群初始化方法来提高初始解的质量以及算法的收敛性能。接着设计了基于9种状态和8个动作的q-learning算法及奖励函数，将q-learning算法融入整个蜂群算法框架中，使其在雇佣蜂阶段自适应选择搜索方式。在观察蜂阶段，设计了四种基于关键工厂和工序的邻域结构，同时在侦查蜂阶段与精英个体进行交互来更新个体，提高了算法的局部搜索能力。最后设计拓展算例，并以不同的算法进行对比实验，证明了本文提出的基于q-learning的改进人工蜂群算法求解分布式装配柔性作业车间绿色调度问题的有效性。

关键词： q-learning 改进人工蜂群算法分布式装配柔性作业车间绿色调度

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于q-learning的分簇无线传感网信任管理机制

引用

上海大学学报（自然科学版） 2024年第2期30卷 255-266页

作者：赵远亮王涛李平吴雅婷孙彦赞王瑞上海大学通信与信息工程学院上海200444

针对无线传感器网络中存在的安全问题,提出了基于q-learning的分簇无线传感网信任管理机制(q-learning based trust management mechanism for clustered wireless sensor networks,qLTMM-CWSN).该机制主要考虑通信信任、数据信任和能量信任3个方面.在网络运行过程中,基于节点的通信行为、数据分布和能量消耗,使用q-learning算法更新节点信任值,并选择簇内信任值最高的节点作为可信簇头节点.当簇中主簇头节点的信任值低于阈值时,可信簇头节点代替主簇头节点管理簇内成员节点,维护正常的数据传输.研究结果表明,qLTMM-CWSN机制能有效抵御通信攻击、伪造本地数据攻击、能量攻击和混合攻击.

关键词：无线传感器网络 q-learning 信任管理机制网络安全

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于softmax的加权Double q-learning算法

引用

计算机科学 2024年第S1期51卷 46-50页

作者：钟雨昂袁伟伟关东海南京航空航天大学计算机科学与技术学院南京211106

强化学习作为机器学习的一个分支,用于描述和解决智能体在与环境的交互过程中,通过学习策略以达成回报最大化的问题。q-learning作为无模型强化学习的经典方法,存在过估计引起的最大化偏差问题,并且在环境中奖励存在噪声时表现不佳。Dou... 详细信息

强化学习作为机器学习的一个分支,用于描述和解决智能体在与环境的交互过程中,通过学习策略以达成回报最大化的问题。q-learning作为无模型强化学习的经典方法,存在过估计引起的最大化偏差问题,并且在环境中奖励存在噪声时表现不佳。Double q-learning(DqL)的出现解决了过估计问题,但同时造成了低估问题。为解决以上算法的高低估问题,提出了基于softmax的加权q-learning算法,并将其与DqL相结合,提出了一种新的基于softmax的加权Double q-learning算法(WDqL-Softmax)。该算法基于加权双估计器的构造,对样本期望值进行softmax操作得到权重,使用权重估计动作价值,有效平衡对动作价值的高估和低估问题,使估计值更加接近理论值。实验结果表明,在离散动作空间中,相比于q-learning算法、DqL算法和WDqL算法,WDqL-Softmax算法的收敛速度更快且估计值与理论值的误差更小。

关键词：强化学习 q-learning Double q-learning Softmax

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于q-learning的动态BLE Mesh网络高能效路由算法

引用

无线电通信技术 2024年

作者：蒋龙荣刘静刘文超王兰深圳大学电子与信息工程学院深圳清华大学研究院天翼数字生活科技有限公司

针对动态低功耗蓝牙（Bluetooth Low Energy，BLE）Mesh网络规范采用的管理式泛洪路由机制所导致的数据包冗余和高能耗的问题，提出了动态BLE Mesh网络高能效路由算法。通过建立基于q-learning的BLE Mesh网络路由模型，将BLE Mesh网络... 详细信息

针对动态低功耗蓝牙（Bluetooth Low Energy，BLE）Mesh网络规范采用的管理式泛洪路由机制所导致的数据包冗余和高能耗的问题，提出了动态BLE Mesh网络高能效路由算法。通过建立基于q-learning的BLE Mesh网络路由模型，将BLE Mesh网络中节点的剩余能量、转发成本、移动因子以及接收信号强度指示（Received Signal Strength Indicator， RSSI）纳入到奖励函数的设计中。同时对BLE Mesh网络中的心跳机制进行改进，使网络中的节点更加高效地获取环境信息。采用基于探索的路由发现机制来更新网络中节点的q值，使其能更加准确反映节点移动所导致的网络拓扑变化。仿真结果表明，该算法在节点能耗和网络开销上均优于传统的管理式泛洪路由机制。

关键词：低功耗蓝牙 Mesh网络物联网应用 q-learning

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于q-learning的无人机自组网动态SPMA协议

引用

计算机应用与软件 2024年

作者：朱家辉宁进周艳红多滨成都理工大学计算机与网络安全学院

针对统计优先级的多址接入（SPMA）协议中存在的信道冲突严重、低优先级业务长时间饥饿，以及高优先级业务难以有效快速接入网络的问题，提出一种基于q-learning的动态SPMA协议。通过泊松圆盘采样（PDS）算法对网络进行高效分簇并引入... 详细信息

针对统计优先级的多址接入（SPMA）协议中存在的信道冲突严重、低优先级业务长时间饥饿，以及高优先级业务难以有效快速接入网络的问题，提出一种基于q-learning的动态SPMA协议。通过泊松圆盘采样（PDS）算法对网络进行高效分簇并引入簇头轮换机制以平衡能量负载。同时，引入q-learning算法使协议能够根据吞吐量和时延的变化动态调整阈值，并利用数据包重传次数和历史退避时间智能更新退避时间。仿真结果验证了动态SPMA协议在吞吐量、时延、路由错误选择率等关键性能指标上的显著改进，为无人机在不同服务质量（qoS）需求（如图像和视频传输、控制指令等）下，提供了稳定和低时延的通信服务。

关键词： SPMA协议 q-learning 分簇阈值调整退避策略

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于q-learning的航空器滑行路径规划研究

引用

中国民航大学学报 2024年第3期 28-33页

作者：王兴隆王睿峰中国民航大学空中交通管理学院

针对传统算法规划航空器滑行路径准确度低、不能根据整体场面运行情况进行路径规划的问题，提出一种基于q-learning的路径规划方法。通过对机场飞行区网络结构模型和强化学习的仿真环境分析，设置了状态空间和动作空间，并根据路径的合... 详细信息

针对传统算法规划航空器滑行路径准确度低、不能根据整体场面运行情况进行路径规划的问题，提出一种基于q-learning的路径规划方法。通过对机场飞行区网络结构模型和强化学习的仿真环境分析，设置了状态空间和动作空间，并根据路径的合规性和合理性设定了奖励函数，将路径合理性评价值设置为滑行路径长度与飞行区平均滑行时间乘积的倒数。最后，分析了动作选择策略参数对路径规划模型的影响。结果表明，与A*算法和Floyd算法相比，基于q-learning的路径规划在滑行距离最短的同时，避开了相对繁忙的区域，路径合理性评价值高。

关键词：滑行路径规划机场飞行区强化学习 q-learning

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Development of a Bias Compensating q-learning Controller for a Multi-Zone HVAC Facility

引用

IEEE/CAA Journal of Automatica Sinica 2023年第8期10卷 1704-1715页

作者： Syed Ali Asad Rizvi Amanda J.Pertzborn Zongli Lin IEEE the Department of Electrical and Computer Engineering Tennessee Technological UniversityCookevilleTN 38505 USA the Mechanical Systems and Controls Group in the Building Energy and Environment Division at the National Institute of Standards and Technology(NIST) GaithersburgMD 20899 USA the Charles L.Brown Department of Electrical and Computer Engineering University of VirginiaCharlottesvilleVA 22904-4743 USA

We present the development of a bias compensating reinforcement learning(RL)algorithm that optimizes thermal comfort(by minimizing tracking error)and control utilization(by penalizing setpoint deviations)in a multi-zone heating,ventilation,and air-conditioning(HVAC)lab facility subject to unmeasurable disturbances and unknown dynamics.It is shown that the presence of unmeasurable disturbance results in an inconsistent learning equation in traditional RL controllers leading to parameter estimation bias(even with integral action support),and in the extreme case,the divergence of the learning algorithm.We demonstrate this issue by applying the popular q-learning algorithm to linear quadratic regulation(LqR)of a multi-zone HVAC environment and showing that,even with integral support,the algorithm exhibits bias issue during the learning phase when the HVAC disturbance is unmeasurable due to unknown heat gains,occupancy variations,light sources,and outside weather changes.To address this difficulty,we present a bias compensating learning equation that learns a lumped bias term as a result of disturbances(and possibly other sources)in conjunction with the optimal control parameters.Experimental results show that the proposed scheme not only recovers the bias-free optimal control parameters but it does so without explicitly learning the dynamic model or estimating the disturbances,demonstrating the effectiveness of the algorithm in addressing the above challenges.

关键词： HVAC control optimal tracking q-learning reinforcement learning(RL)

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：