.png){kind=icon}
返回
Multi-Objective Optimal Design Based on Reinforcement Learning
.png){kind=icon}
OA
AI
DOI：10.1115/1.4069046.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文描述并应用了一种基于多目标规划与强化学习的新优化方法。该方法称为MORL-DB（基于多目标强化学习优势的多目标强化学习优势方法），将帕累托优势的概念引入强化学习框架。MORL-DB采用基于帕累托最优的深度确定性策略梯度（DDPG）算法，并使用基于帕累托最优的奖励函数。首先，通过求解Viennet基准问题对MORL-DB方法进行测试，然后将其应用于Osyczka和Kundu基准问题。最后，用于计算四分之一车辆模型垂直动力学在两个设计变量和三个目标函数下的帕累托前沿。随后，将这三个案例研究的结果与使用参数空间调查方法和非支配排序遗传算法获得的结果进行比较。比较结果表明，MORL-DB能够在较少目标函数评估次数下生成大量最优解。
Keyword:
reinforcement learning
DDPG
multi-objective optimization
design optimization
quarter vehicle model
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
J
IF:
3
论文数:
265
被引数:
8.9K
机构
引用论文
Efficient aerodynamic shape optimization using variable-fidelity surrogate models and multilevel computational grids使用可变保真度代理模型和多级计算网格进行有效的空气动力学形状优化OAAI
.png){kind=icon}
OAAI分享收藏Design Strategy Network: A deep hierarchical framework to represent generative design strategies in complex action spaces设计策略网络：一种用于表示复杂动作空间中生成设计策略的深度分层框架
PREAI
分享收藏
Comparison of evolutionary multi objective optimization algorithms in optimum design of water distribution network进化多目标优化算法在配水管网优化设计中的比较OAAI
OAAI分享收藏
查看更多内容