RGCN-S2G：一种用于鲁棒雷达脉冲内调制识别的图结构学习框架

《IEEE Transactions on Aerospace and Electronic Systems》：RGCN-S2G: A Graph Structure Learning Framework for Robust Radar Intra-Pulse Modulation Recognition

　　

摘要：

通风风扇的运行调度是矿山运营管理中的核心问题。本文提出了一种基于多智能体强化学习（MARL）的调度框架，该框架利用历史运营数据来改进决策制定，并解决了传统进化方法的主要缺陷，包括效率低下、泛化能力有限以及运营复杂性高等问题。通过采用图神经网络架构，结合历史观测数据和风扇特性曲线的相关知识，构建了一个用于多风扇组合运行配置的性能计算模型。我们将多个风扇通风单元的调度问题表述为一组并行决策，这些决策受到气流需求和运行规则的约束。目标是在确保方法实用且易于实施的同时，降低成本并提高效率。为了提高泛化能力，开发了一个能够明确模拟运行条件变化的MARL框架。与进化算法的对比评估表明，在所测试的强化学习方法中，训练有素的MARL方法能够可靠地适应变化的气流输送条件，并在各种场景下展现出强大的泛化能力。与现有的运营调度方案相比，所提出的方法可大幅节省成本，降低运营费用超过43,900元人民币，并减少能耗超过47,000千瓦时。与进化算法相比，基于强化学习的方法做出的决策更能满足运营约束和逻辑要求，同时显著提高了计算效率，规划速度提升了50倍以上。