生物灵感优化算法与强化学习相关,用于放射性环境中的多目标运营规划
Shihan Kong1, Fang Wu2, Hao Liu3
1The State Key Laboratory for Turbulence and Complex Systems, Department of Advanced Manufacturing and Robotics, College of Engineering, Peking University, Beijing 100871, China.
Biomimetics (Basel, Switzerland)
|July 26, 2024
概括
本研究引入了一种新的算法 (HPAGA),通过解决复杂的辐射剂量规划问题来优化放射性环境中的操作. 超参数自适应基因算法 (HPAGA) 有效地为变体旅行销售员问题 (VTSP) 找到最佳解决方案.
科学领域:
- 运营研究 运营研究
- 人工智能的人工智能
- 辐射安全 辐射安全
背景情况:
- 放射性环境带来了复杂的运营规划挑战.
- 准确的辐射剂量建模对于安全和高效的操作至关重要.
- 现有的优化方法可能无法在辐射约束下充分解决多目标规划.
研究的目的:
- 开发一种新的方法来解决放射性环境中的多目标运行规划问题.
- 引入一个新的组合算法框架,以实现高效的优化.
- 根据已建立的算法验证拟议方法的性能.
主要方法:
- 构建一个详细的辐射剂量模型,包括操作难度.
- 规划问题的制定,作为一个变体的旅行销售员问题 (VTSP).
- 开发一种超参数适应性遗传算法 (HPAGA),集成遗传算法 (GA) 和强化学习 (RL).
主要成果:
- 拟议的HPAGA在各种TSP实例上展示了与经典进化算法相比更高的性能.
- HPAGA使得基因算法超参数的高效,自适应性调整为最佳解决方案的发现.
- 对比研究证实了HPAGA框架的有效性.
结论:
- 在放射性环境中,HPAGA框架为多目标运营规划提供了强大而高效的解决方案.
- 开发的辐射剂量模型和VTSP配方为操作优化提供了坚实的基础.
- 该研究强调了HPAGA在模拟放射性环境中的真实应用的潜力.


