ゾーン温度制御のためのデータからの準最適深層強化学習ポリシー【JST・京大機械翻訳】

Di Natale Loris; Svetozarevic Bratislav; Heer Philipp; Jones Colin N.

プレプリント

J-GLOBAL ID：202202218263030575 整理番号：22P0302084

ゾーン温度制御のためのデータからの準最適深層強化学習ポリシー【JST・京大機械翻訳】

Near-optimal Deep Reinforcement Learning Policies from Data for Zone Temperature Control

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月10日プレプリントサーバーでの情報更新日： 2022年03月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

スマートな解決策で既存の制御装置を置き換えることは,建築部門のエネルギー強度を低下させるであろう。最近,深層強化学習(DRL)に基づくコントローラは,従来のベースラインよりも効果的であることが示されている。しかし,最適解は通常知られていないので,DRLエージェントが一般で最適に近い性能を達成するか,またはブリッジに大きいギャップが存在するならば,まだ不明である。本論文では,理論的最適解と比較してDRLエージェントの性能を検討した。最後に,著者らは,最適制御入力が計算が容易である,シミュレーション環境として物理的に一貫したニューラルネットワーク(PCNN)を利用した。さらに,PCNNは,物理的一貫性を保持しながら,困難な物理ベースモデリングフェーズを避け,訓練されるデータのみに依存する。著者らの結果は,DRLエージェントが従来のルールベースコントローラより明らかに優れているだけでなく,さらに最適に近い性能を達成することを示した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る