文献

J-GLOBAL ID：202102273710274168   整理番号：21A2948708

マルチリザーバ運用最適化のための集約分解ベースマルチエージェント強化学習【JST・京大機械翻訳】

Aggregation-Decomposition-Based Multi-Agent Reinforcement Learning for Multi-Reservoir Operations Optimization

著者 (4件)： Hooshyar Milad (Princeton Institute for International and Regional Studies (PIIRS), Princeton University, Princeton, NJ 08544, USA) ,  Mousavi S. Jamshid (School of Petroleum, Civil and Mining Engineering, Amirkabir University of Technology, Tehran 1591634311, Iran) ,  Mahootchi Masoud (School of Industrial Engineering, Amirkabir University of Technology, Tehran 1591634311, Iran) ,  Ponnambalam Kumaraswamy (Department of Systems Design Engineering, University of Waterloo, Waterloo, ON N2L 3G1, Canada)
資料名： Water (Web)  (Water (Web))
巻： 12  号： 10  ページ： 2688  発行年： 2020年 
JST資料番号： U7295A  ISSN： 2073-4441  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 確率的動的計画法(SDP)は,不確実性の下での貯水池操作最適化のための広く使用された方法であるが,次元とモデリングの二重の手がかりに悩まされている。シミュレーションベースの確率的最適化アプローチである強化学習(RL)は,非常に大きな遷移確率行列を計算する必要性から生じるモデリングのurseを無効化できる。RLは次元問題の curseを緩和するが,複雑な多重貯水池システムにおいて計算的に集中するので,完全には解決できない。本論文は,多重貯水池操作最適化問題における次元の curseを減らすために,凝集/分解(AD-RL)法と組み合わせたマルチエージェントRLアプローチを提示した。このモデルでは,各貯水池は,特定のオペレータ(エージェント)によって個別に管理され,一方,他のエージェントと協力して,システム全体に対する最適に近い運転方針を見つける。各エージェントは,その現状とフィードバックに基づいて決定(放出)を行う。Q学習パラメータを調整するタスクのための効率的な人工ニューラルネットワークベースロバスト手順とともに,この方法を,インドにおける実世界5貯水池問題,すなわち,ParambiclamAlyarプロジェクト(PAP)に適用した。提案したAD-RLアプローチが,より少ない計算負荷で他の確率的最適化法で得られた政策と同等または同等である操作政策を導くのに役立つことを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 凝集 ,  *最適化 ,  シミュレーション ,  遷移確率 ,  貯水池 ,  最適化問題 ,  オペレータ ,  不確実性 ,  ニューラルネットワーク ,  多重化 ,  貯水池操作 ,  *エージェント ,  *強化学習
準シソーラス用語： Q学習 ,  *マルチエージェント , 【Automatic Indexing@JST】

著者キーワード (5件)： 多重貯水池運用 ,  最適化 ,  マルチエージェント強化学習 ,  凝集-分解 ,  ニューラルネットワーク

分類 (1件)： 貯水池,調整池  (RC16030Z)

引用文献 (53件)：

• Hiew, K.L.; Labadie, J.W.; Scott, J.F. Optimal operational analysis of the Colorado-Big Thompson project. In Proceedings of the Computerized Decision Support Systems for Water Managers; Labadie, J., Ed.; ASCE: Reston, VA, USA, 1989; pp. 632-646.
• Willis, R.; Finney, B.A.; Chu, W.S. Monte Carlo Optimization for Reservoir Operation. Water Resour. Res. 1984, 20, 1177-1182.
• Hiew, K.L. Optimization Algorithms for Large-Scale Multireservoir Hydropower Systems; Colorado State University: Fort Collins, CO, USA, 1987.
• Tejada-Guibert, J.A.; Stedinger, J.R.; Staschus, K. Optimization of Value of CVP’s Hydropower Production. J. Water Resour. Plan. Manag. 1990, 116, 52-70.
• Arnold, E.; Tatjewski, P.; Wołochowicz, P. Two Methods for Large-Scale Nonlinear Optimization and Their Comparison on a Case Study of Hydropower Optimization. J. Optim. Theory Appl. 1994, 81, 221-248.

タイトルに関連する用語 (8件)： マルチ ,  リザーバ ,  運用 ,  最適化 ,  集約 ,  分解 ,  マルチエージェント ,  強化学習