| عنوان مقاله به انگلیسی | A semi-centralized multi-agent RL framework for efficient irrigation scheduling | ||||||||
| عنوان مقاله به فارسی | ترجمه فارسی مقاله یک چارچوب RL چند عامل نیمه متمرکز برای برنامه ریزی کارآمد آبیاری | ||||||||
| نویسندگان | Bernard T. Agyeman, Benjamin Decard-Nelson, Jinfeng Liu, Sirish L. Shah | ||||||||
| فرمت مقاله انگلیسی | |||||||||
| زبان مقاله تحویلی | ترجمه فارسی | ||||||||
| فرمت مقاله ترجمه شده | به صورت فایل ورد | ||||||||
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) | ||||||||
| تعداد صفحات | 44 | ||||||||
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله | ||||||||
| دسته بندی موضوعات | Systems and Control,Machine Learning,سیستم ها و کنترل , یادگیری ماشین , | ||||||||
| توضیحات | Submitted 15 August, 2024; originally announced August 2024. | ||||||||
| توضیحات به فارسی | ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. | ||||||||
| اطلاعات بیشتر از این مقاله در پایگاه های علمی |
INSPIRE HEP NASA ADS Google Scholar Semantic Scholar فرمت ارائه ترجمه مقاله |
تحویل به صورت فایل ورد |
زمان تحویل ترجمه مقاله |
بین 2 تا 3 روز پس از ثبت سفارش |
کیفیت ترجمه |
بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
جداول و فرمول ها |
کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
|
چکیده
This paper proposes a Semi-Centralized Multi-Agent Reinforcement Learning (SCMARL) approach for irrigation scheduling in spatially variable agricultural fields, where management zones address spatial variability. The SCMARL framework is hierarchical in nature, with a centralized coordinator agent at the top level and decentralized local agents at the second level. The coordinator agent makes daily binary irrigation decisions based on field-wide conditions, which are communicated to the local agents. Local agents determine appropriate irrigation amounts for specific management zones using local conditions. The framework employs state augmentation approach to handle non-stationarity in the local agents’ environments. An extensive evaluation on a large-scale field in Lethbridge, Canada, compares the SCMARL approach with a learning-based multi-agent model predictive control scheduling approach, highlighting its enhanced performance, resulting in water conservation and improved Irrigation Water Use Efficiency (IWUE). Notably, the proposed approach achieved a 4.0% savings in irrigation water while enhancing the IWUE by 6.3%.
چکیده به فارسی (ترجمه ماشینی)
در این مقاله یک رویکرد یادگیری تقویت کننده چند عامل نیمه متمرکز (SCMARL) برای برنامه ریزی آبیاری در زمینه های کشاورزی متغیر مکانی ارائه شده است ، جایی که مناطق مدیریت به تنوع مکانی می پردازند.چارچوب SCMARL از نظر ماهیت سلسله مراتبی است و یک عامل هماهنگ کننده متمرکز در سطح بالا و عوامل محلی غیر متمرکز در سطح دوم است.نماینده هماهنگ کننده تصمیمات آبیاری باینری را بر اساس شرایط گسترده ای که به مأمورین محلی ابلاغ می شود ، تصمیم می گیرد.نمایندگان محلی مقادیر آبیاری مناسب را برای مناطق مدیریتی خاص با استفاده از شرایط محلی تعیین می کنند.این چارچوب از رویکرد تقویت دولت برای رسیدگی به عدم استقرار در محیط های عوامل محلی استفاده می کند.یک ارزیابی گسترده در یک زمینه در مقیاس بزرگ در لتبریج ، کانادا ، رویکرد SCMARL را با یک رویکرد برنامه ریزی کنترل پیش بینی کننده مدل چند عامل مبتنی بر یادگیری ، برجسته سازی عملکرد پیشرفته آن ، و در نتیجه حفظ آب و بهبود بهره وری مصرف آب آبیاری (IWUE) مقایسه می کند (IWUE)بشرنکته قابل توجه ، رویکرد پیشنهادی در حالی که IWUE را 6.3 ٪ افزایش می دهد ، 4.0 ٪ پس انداز در آب آبیاری را بدست آورد.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.