.png){kind=icon}
返回
AutoRL framework for bioprocess control: Optimizing reward function, architecture, and hyperparameters
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dche.2025.100261.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种结构化的AutoRL框架，用于化学和生物化学过程系统的控制器设计。
• 该方法联合优化奖励函数、神经网络架构和超参数，采用网格搜索和贝叶斯优化。
• 一种可参数化的Logistic奖励函数实现了与控制目标的可解释对齐。
• 该方法在一个3×3 MIMO酵母发酵生物反应器上得到验证，实现了高精度和平稳运行。
• 结果表明，AutoRL有潜力减少对专家的依赖，并实现在过程控制中可扩展的DRL部署。
Keyword:
Artificial intelligence
Deep learning
Advanced control
Deep Deterministic Policy Gradient
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
164
被引数:
606
机构
引用论文
A Microservice-Based Architecture for Flexible Data Acquisition at the Edge in the Context of Hairpin Stator Production一种基于微服务的边缘数据采集灵活架构，应用于发夹式定子生产背景中
PREAI
分享收藏分享收藏Deep Reinforcement Learning for a Multi-Objective Online Order Batching Problem多目标在线订单分批问题的深度强化学习
OAAI
OAAI分享收藏Bi-level Optimization Method for Automatic Reward Shaping of Reinforcement Learning王, L., 王Z., 龚Q., 2022. 用于强化学习自动奖励塑形的双层优化方法, 载于: 国际人工神经网络会议, Springer. 第382-393页.
PREAI
分享收藏Reinforcement Learning Control with Deep Deterministic Policy Gradient Algorithm for Multivariable pH Process.png)
ProcessesOAAI
ProcessesIF0
OAAI分享收藏 没有更多内容
没有更多内容