ترجمه فارسی مقاله پر کردن و ریختن: روش‌های گرادیان سیاست یادگیری تقویتی عمیق برای تصمیم‌گیری و کنترل عملیات مخزن

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Fill-and-Spill: Deep Reinforcement Learning Policy Gradient Methods for Reservoir Operation Decision and Control
عنوان مقاله به فارسی پر کردن و ریختن: روش‌های گرادیان سیاست یادگیری تقویتی عمیق برای تصمیم‌گیری و کنترل عملیات مخزن
نویسندگان Sadegh Sadeghi Tabas, Vidya Samadi
فرمت مقاله انگلیسی PDF
تعداد صفحات 39
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Optimization and Control,یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 6 March, 2024; originally announced March 2024.
توضیحات به فارسی ارسال 6 مارس 2024 ؛در ابتدا مارس 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Changes in demand, various hydrological inputs, and environmental stressors are among the issues that water managers and policymakers face on a regular basis. These concerns have sparked interest in applying different techniques to determine reservoir operation policy decisions. As the resolution of the analysis increases, it becomes more difficult to effectively represent a real-world system using traditional methods such as Dynamic Programming (DP) and Stochastic Dynamic Programming (SDP) for determining the best reservoir operation policy. One of the challenges is the "curse of dimensionality," which means the number of samples needed to estimate an arbitrary function with a given level of accuracy grows exponentially with respect to the number of input variables (i.e., dimensionality) of the function. Deep Reinforcement Learning (DRL) is an intelligent approach to overcome the curses of stochastic optimization problems for reservoir operation policy decisions. To our knowledge, this study is the first attempt that examine various novel DRL continuous-action policy gradient methods (PGMs), including Deep Deterministic Policy Gradients (DDPG), Twin Delayed DDPG (TD3), and two different versions of Soft Actor-Critic (SAC18 and SAC19) for optimizing reservoir operation policy. In this study, multiple DRL techniques were implemented in order to find the optimal operation policy of Folsom Reservoir in California, USA. The reservoir system supplies agricultural, municipal, hydropower, and environmental flow demands and flood control operations to the City of Sacramento. Analysis suggests that the TD3 and SAC are robust to meet the Folsom Reservoir's demands and optimize reservoir operation policies.

چکیده به فارسی (ترجمه ماشینی)

تغییر در تقاضا ، ورودی های مختلف هیدرولوژیکی و استرس زا محیط زیست از جمله مواردی است که مدیران آب و سیاست گذاران به طور مرتب با آن روبرو هستند.این نگرانی ها باعث شده است تا به استفاده از تکنیک های مختلف برای تعیین تصمیمات سیاست عملکرد مخزن تبدیل شود.با افزایش وضوح تجزیه و تحلیل ، ارائه مؤثر یک سیستم در دنیای واقعی با استفاده از روش های سنتی مانند برنامه نویسی پویا (DP) و برنامه نویسی پویا تصادفی (SDP) برای تعیین بهترین سیاست عملکرد مخزن دشوارتر می شود.یکی از چالش ها "نفرین ابعاد" است ، به این معنی که تعداد نمونه های مورد نیاز برای برآورد یک عملکرد دلخواه با یک سطح معین از دقت با توجه به تعداد متغیرهای ورودی (یعنی ابعاد) عملکرد به صورت تصاعدی رشد می کند.یادگیری تقویت عمیق (DRL) یک رویکرد هوشمندانه برای غلبه بر لعنت های مشکلات بهینه سازی تصادفی برای تصمیمات سیاست عملکرد مخزن است.به دانش ما ، این مطالعه اولین تلاشی است که روشهای مختلف شیب سیاست مداوم DRL را بررسی می کند (PGM) ، از جمله شیب سیاست های تعیین کننده عمیق (DDPG) ، DDPG با تأخیر دوقلوی (TD3) و دو نسخه مختلف از بازیگر نرم و انتقادی بازیگر نرم(SAC18 و SAC19) برای بهینه سازی سیاست عملکرد مخزن.در این مطالعه ، چند تکنیک DRL به منظور یافتن سیاست عملکرد بهینه مخزن Folsom در کالیفرنیا ، ایالات متحده آمریکا اجرا شد.سیستم مخزن نیازهای جریان کشاورزی ، شهرداری ، نیروگاه و محیط زیست و عملیات کنترل سیل را به شهر ساکرامنتو تأمین می کند.تجزیه و تحلیل نشان می دهد که TD3 و SAC برای پاسخگویی به خواسته های مخزن Folsom و بهینه سازی سیاست های عملکرد مخزن قوی هستند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.