重磅 | 南栖仙策发布强化学习工业决策软件REVIVE 1.0

信息化观察网
小观
然而,强化学习技术在实际工业环境中面临着一些挑战,如时间慢、成本高和安全性问题。为了解决上述问题,南栖仙策开发了一款基于数据驱动的强化学习工具包REVIVE。这是一款面向工业场景中的决策任务的软件,旨在帮助企业优化工业生产效率、减少错误,降低成本,推动工业向智能化和可持续发展方向迈进。

导读:

在工业场景中,有很多需要做决策的任务,比如工业机器人控制、物流交通调度、化工生产和能源管理等。在这些决策场景中,好的控制策略可以帮助我们优化工业生产效率、减少错误,降低成本,推动工业向智能化和可持续发展方向迈进。当前以深度强化学习为代表的智能决策技术已经能够在围棋,游戏等场景中战胜顶尖的人类专家。然而,强化学习技术在实际工业环境中面临着一些挑战,如时间慢、成本高和安全性问题。

为了解决上述问题,南栖仙策开发了一款基于数据驱动的强化学习工具包REVIVE。这是一款面向工业场景中的决策任务的软件,旨在帮助企业优化工业生产效率、减少错误,降低成本,推动工业向智能化和可持续发展方向迈进。

640.webp.jpg

自2021年正式对外发布0.5版本以来,REVIVE已经完成了0.6-0.9版本的更新,每次更新都会带来新的特性,使得REVIVE的效果更好,使用起来更方便。今天为大家带来的是REVIVE的最新版本:REVIVE 1.0。

640.webp (1).jpg

REVIVE 1.0通过算法调优升级,使得训练得到的算法更好更稳定,同时集成了丰富的内置函数和自定义模块,使用起来更加灵活方便,通过代码优化和资源并行加速使得模型训练更快。

640.webp (2).jpg

640.webp (3).jpg

现代工业系统通常涉及多个生产过程,包括原材料处理、加工、装配和包装等。这些系统通常包括多个层次和子系统,涉及各种不同的工艺、设备和控制系统。复杂的系统具有大量的输入和输出变量,而且这些变量之间的关系可能相互交织、不明确或非线性,这给决策任务的建模和优化带来了非常大挑战。

所以REVIVE 1.0增加了注意力机制的Backbone,这一机制使得在缺乏专家知识的情况下,模型也能够通过调整注意力权重自适应的捕捉数据之间的关系,实现对复杂工艺控制和系统的有效建模。

640.webp (4).jpg

此外,针对时延问题,REVIVE 1.0也对原有的RNN Backbone进行了优化,模型能够更高效地提取和传递时序信息,显著提升在管网控制、化工过程等长流程和大时滞任务场景上的性能。

64011.webp.jpg

同时,REVIVE 1.0增加了神经网络干扰器单模块,通过多个神经网络干扰器对训练得到的环境模型进行扰动,增强环境模型的多样性,提升策略适应不同工况的泛化性能。

64012.webp.jpg

我们相信,REVIVE 1.0将为工业企业提供一种全新的决策方式,帮助企业在工业生产中实现智能化升级。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论