在线深度强化学习的自适应资源流控制以优化建筑工作和资金流动
摘要：建筑工程的复杂性和动态性，以及资源和现金流的复杂性，如果管理不善通常会导致时间和成本超支，破产甚至项目失败。现有的建筑方法在不确定性环境下无法实现资源流的最优控制。因此，本文介绍了一种模型和方法，用于自适应控制资源流，以优化建设项目的工作和现金流。首先，建立了一个基于部分可观察马尔可夫决策过程的数学模型，以描述建筑工程、资源和现金流的复杂相互作用，以及各种影响因素的不确定性和变异性。同时，为了有效地找到最优解，引入了一种基于深度强化学习（DRL）的方法，实现对劳动力和材料流的连续自适应最优控制，从而优化工作和现金流。为了辅助DRL的训练过程，还开发了一个基于离散事件模拟的模拟器，模拟项目的动态特性和外部环境。在模拟场景中的实验证明，我们的方法优于传统方法和遗传算法，在不同项目和外部环境中具有显著的优点，并且DRL和经验方法的混合智能体可以取得最佳结果。本文为相互关联的工作、资源和现金流的自适应控制和优化做出了贡献，并为在建设项目管理中采用DRL技术铺平了道路。
作者：Can Jiang, Xin Li, Jia-Rui Lin, Ming Liu, Zhiliang Ma
论文ID：2307.10574
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-17