کنترل بهینه سیستم های سایبری–فیزیکی با استفاده از دیجیتال توین و شبکه های عصبی عمیق مبتنی بر یادگیری تقویتی در محیط های چندعاملی

چکیدهپیشرفت های اخیر در مهندسی کامپیوتر و هوش مصنوعی امکان بهینه سازی سیستم های سایبری–فیزیکی (CPS) را در محیط های پیچیده فراهم کرده است. این مقاله به بررسی روش های کنترل بهینه CPS با استفاده از دیجیتال توین و شبکه های عصبی عمیق مبتنی بر یادگیری تقویتی در محیط های چندعاملی می پردازد. دیجیتال توین به عنوان شبیه سازی دقیق سیستم فیزیکی، امکان پیش بینی رفتار سیستم و ارزیابی سیاست های کنترلی را فراهم می کند، در حالی که شبکه های عصبی عمیق با یادگیری تقویتی توانایی یادگیری سیاست های بهینه در شرایط پویا و نامطمئن را دارند. با ترکیب این دو رویکرد، می توان عملکرد سیستم های چندعاملی را بهبود داد و تعامل میان عوامل مختلف را بهینه کرد. نتایج تحلیل ها نشان می دهد که رویکرد پیشنهادی می تواند به کاهش خطا، افزایش بهره وری و بهبود پاسخ دهی سیستم های سایبری–فیزیکی منجر شود.

کلیدواژه ها:

سیستم سایبری–فیزیکی ، دیجیتال توین ، شبکه عصبی عمیق ، یادگیری تقویتی ، محیط چندعاملی ، کنترل بهینه