ترجمه فارسی مقاله یک استراتژی تصمیم گیری مبتنی بر یادگیری تقویت شده برای تقویت نمودار برای اکو پلاتون

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Nested Graph Reinforcement Learning-based Decision-making Strategy for Eco-platooning
عنوان مقاله به فارسی یک استراتژی تصمیم گیری مبتنی بر یادگیری تقویت شده برای تقویت نمودار برای اکو پلاتون
نویسندگان Xin Gao, Xueyuan Li, Hao Liu, Ao Li, Zhaoyang Ma, Zirui Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Multiagent Systems,Machine Learning,سیستم های چند منظوره , یادگیری ماشین ,
توضیحات Submitted 14 August, 2024; originally announced August 2024. , Comments: 14 pages, 18 figures
توضیحات به فارسی ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 14 صفحه ، 18 رقم
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

Platooning technology is renowned for its precise vehicle control, traffic flow optimization, and energy efficiency enhancement. However, in large-scale mixed platoons, vehicle heterogeneity and unpredictable traffic conditions lead to virtual bottlenecks. These bottlenecks result in reduced traffic throughput and increased energy consumption within the platoon. To address these challenges, we introduce a decision-making strategy based on nested graph reinforcement learning. This strategy improves collaborative decision-making, ensuring energy efficiency and alleviating congestion. We propose a theory of nested traffic graph representation that maps dynamic interactions between vehicles and platoons in non-Euclidean spaces. By incorporating spatio-temporal weighted graph into a multi-head attention mechanism, we further enhance the model's capacity to process both local and global data. Additionally, we have developed a nested graph reinforcement learning framework to enhance the self-iterative learning capabilities of platooning. Using the I-24 dataset, we designed and conducted comparative algorithm experiments, generalizability testing, and permeability ablation experiments, thereby validating the proposed strategy's effectiveness. Compared to the baseline, our strategy increases throughput by 10% and decreases energy use by 9%. Specifically, increasing the penetration rate of CAVs significantly enhances traffic throughput, though it also increases energy consumption.

چکیده به فارسی (ترجمه ماشینی)

فناوری تسویه حساب به دلیل کنترل دقیق خودرو ، بهینه سازی جریان ترافیک و افزایش بهره وری انرژی مشهور است.با این حال ، در افلاطون مختلط در مقیاس بزرگ ، ناهمگونی وسیله نقلیه و شرایط ترافیکی غیرقابل پیش بینی منجر به تنگناهای مجازی می شود.این تنگناها منجر به کاهش توان ترافیک و افزایش مصرف انرژی در داخل محوطه می شوند.برای پرداختن به این چالش ها ، ما یک استراتژی تصمیم گیری را بر اساس یادگیری تقویت نمودار تو در تو معرفی می کنیم.این استراتژی تصمیم گیری مشترک را بهبود می بخشد ، از بهره وری انرژی و کاهش احتقان اطمینان می دهد.ما یک تئوری در مورد نمایش نمودار ترافیک تو در تو را پیشنهاد می کنیم که تعامل پویا بین وسایل نقلیه و اقامد در فضاهای غیر الکلیدسی را ترسیم می کند.با ترکیب نمودار وزنی مکانی-زمانی در یک مکانیسم توجه چند سر ، ما ظرفیت مدل را برای پردازش داده های محلی و جهانی بیشتر می کنیم.علاوه بر این ، ما یک چارچوب یادگیری تقویت کننده نمودار تو در تو را برای تقویت قابلیت های یادگیری خودآموز در مورد تجهیزات ایجاد کرده ایم.با استفاده از مجموعه داده I-24 ، ما آزمایش های الگوریتم مقایسه ای ، آزمایش تعمیم پذیری و آزمایش های فرسایش نفوذپذیری را طراحی و انجام دادیم و از این طریق اثربخشی استراتژی پیشنهادی را تأیید کردیم.در مقایسه با پایه ، استراتژی ما 10 ٪ توان را افزایش می دهد و میزان مصرف انرژی را 9 ٪ کاهش می دهد.به طور خاص ، افزایش میزان نفوذ CAV ها به طور قابل توجهی توان ترافیک را افزایش می دهد ، اگرچه باعث افزایش مصرف انرژی نیز می شود.

📚 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.