基于云的智能RAS管理:将DDPG强化学习与AWS IoT集成,以优化水产养殖生产
Wael M Elmessery1, Mahmoud Y Shams2, Tarek Abd El-Hafeez3,4
1Agricultural Engineering Department, Faculty of Agriculture, Kafrelsheikh University, Kafrelsheikh, Egypt.
Scientific reports
|February 25, 2026
概括
一个新的云端架构使得深度决定性政策梯度 (DDPG) 强化学习能够用于商业水产养殖. 这种可扩展的AI系统优化了循环水产养殖系统 (RAS) 的运行,克服了以前的部署挑战.
科学领域:
- 水产养殖技术 水产养殖技术
- 农业中的人工智能
- 强化学习应用程序的强化学习应用程序
背景情况:
- 深度决定性政策梯度 (DDPG) 对水产养殖有希望,但在商业循环水产养殖系统 (RAS) 中面临可扩展性问题.
- 之前的研究集中在DDPG,用于控制环境中的料和能源管理.
- 人工智能控制系统在水产养殖中的商业部署受到基础设施和可扩展性挑战的限制.
研究的目的:
- 提出一种新的云端混合架构,用于在各种商业水产养殖业务中部署基于DDPG的控制系统.
- 为应对现实世界水产养殖环境中扩展人工智能控制系统的实际挑战.
- 建立一个实用的蓝图,用于DDPG在水产养殖管理的商业化.
主要方法:
- 开发了一个云端混合架构,集成AWS IoT核心和AWS Greengrass.
- 实施了边缘优化技术 (16-bit量化,架构修剪) 以减少DDPG模型大小74%.
- 在一个拥有108个水箱的商业设施中进行了现场验证 (总体容量为3132立方米).
主要成果:
- 优化的DDPG模型实现了47±8毫秒的延迟,使实时推断成为可能.
- 从小规模到大规模的运营中仅增加了8.9%的延迟,证明了卓越的可扩展性.
- 实现了99.97%的物联网消息传递,98.7%的关键参数控制可靠性和72小时的网络中断耐受性.
结论:
- 拟议的云端架构成功实现了DDPG在商业水产养殖中的可扩展部署.
- 该系统在具有挑战性的网络条件下表现出高可靠性,弹性和运行安全性.
- 这项研究为在更广泛的水产养殖行业中采用基于人工智能的控制系统提供了可行的途径.
