典型文献
基于改进型D3QN深度强化学习的铁路智能选线方法
文献摘要：
传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显.为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术.为此,提出一种基于深度强化学习理论的铁路智能选线方法.以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型.结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(Dueling-Double-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案.以某山区铁路对本方法进行验证,实验结果表明:该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5％.智能选线方法可以帮助节省选线工作成本,不遗漏有价值的方案,提高工作效率.
文献关键词：
深度强化学习;智能选线;D3QN算法;信息化
中图分类号：
作者姓名：
袁泉;曾文驱;李子涵;高天赐;杨冬营;何庆
作者机构：
广州地铁设计研究院股份有限公司,广东 广州 510010;西南交通大学 土木工程学院,四川 成都 610031
文献出处：
引用格式：
[1]袁泉;曾文驱;李子涵;高天赐;杨冬营;何庆-.基于改进型D3QN深度强化学习的铁路智能选线方法)[J].铁道科学与工程学报,2022(02):344-350
A类：
B类：
改进型,D3QN,深度强化学习,智能选线,选线方法,劳动强度,设计效率,国铁,铁路建设,心向,艰险山区,线面,铁路选线,人力物力,学习理论,有空,空间属性,属性信息,数字高程模型,工程建造,优化目标,离散化,备选,建面,感知能力,决策能力,学习网络,Dueling,Double,Deep,Network,学习问题,动作空间,DQN,线路方案,山区铁路,设计人员,多达,不遗漏,提高工作效率
AB值：
0.343327
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
