弗吉尼亚大学|图神经网络和多智能体强化学习用于机器-过程-系统集成控制以优化产量

【标题】Graph neural network and multi-agent reinforcement learning for machine-process-system integrated control to optimize production yield

【作者团队】Jing Huang, Jianyu Su, Qing Chang

【发表日期】2022.6.3

【论文链接】https://www.sciencedirect.com/science/article/pii/S0278612522000887

【推荐理由】本文提出了一种集成控制框架，通过集成制造系统的不同层次（包括系统、过程和机器层次）来优化生产良率。通过将机器视为节点，将材料流视为链接，将制造系统建模为图形。采用递归贝叶斯估计（RBE）通过传感器和机器学习模型减少工具状态观察，并提供更准确的工具状态估计以包含到图节点特征中。使用图模型，图神经网络 (GNN) 用于处理节点特征以生成反映局部和全局信息的节点嵌入。出于集成控制的目的，每个机器节点都被视为多智能体强化学习 (MARL) 中的分布式智能体，该智能体将其策略设置为来自 GNN 的节点嵌入。实现了最先进的 GNN 和 MARL 算法，即图注意网络 (GAT) 和价值分解演员评论家 (VDAC)，以训练 GNN-MARL 网络中的可学习参数以学习最佳多智能体策略。

内容中包含的图片若涉及版权问题，请及时与我们联系删除