چارچوب مفهومی مبتنی بر هوش مصنوعی عامل محور برای هماهنگی و بهینه سازی سامانه های کشاورزی غذایی انرژی

سامانه های کشاورزی، صنایع غذایی و انرژی به طور فزاینده ای به یکدیگر وابسته شده اند و این وابستگی متقابل موجب شکل گیری سامانه های پیچیده، پویا و همراه با عدم قطعیت شده است. مدیریت موثر چنین سامانه هایی نیازمند رویکردهای هوشمندی است که بتوانند تصمیم گیری هماهنگ و سازگار را در محیط های با مشاهده ناقص و اطلاعات پراکنده امکان پذیر سازند. در این پژوهش یک چارچوب مفهومی مبتنی بر هوش مصنوعی عامل محور (Agentic (AI برای مدیریت و هماهنگی سامانه های یکپارچه کشاورزی، غذایی، انرژی ارائه می شود. در این چارچوب مسئله تصمیم گیری در قالب فرآیند تصمیم گیری مارکوف با مشاهده ناقص توزیع شده (Dec-POMDP) مدل سازی شده است که در آن مجموعه ای از عامل های هوشمند شامل عامل کشاورزی، عامل انرژی، عامل فرآوری و عامل ذخیره سازی با استفاده از اطلاعات محلی و از طریق سازوکارهای هماهنگی با یکدیگر تعامل می کنند. برای یادگیری سیاست های تصمیم گیری بهینه از رویکرد یادگیری تقویتی چندعاملی با الگوی آموزش متمرکز و اجرای غیرمتمرکز (CTDE) استفاده می شود، همچنین یک معماری لایه ای شامل زیرساخت فیزیکی اینترنت اشیا، مدیریت داده، دوقلوی دیجیتال لایه هوش عامل محور، زیرساخت هماهنگی و لایه حاکمیت و ایمنی برای پیاده سازی چارچوب پیشنهاد شده است. ارزیابی مفهومی چارچوب در یک سناریوی نمونه شامل مزرعه کشاورزی، کارخانه فرآوری و ریزشبکه انرژی تجدیدپذیر نشان می دهد که این رویکرد می تواند موجب بهبود بهره وری انرژی، کاهش هزینه های عملیاتی، افزایش استفاده از انرژی های تجدیدپذیر و کاهش ضایعات محصولات شود. نتایج این مطالعه نشان می دهد که ترکیب هوش مصنوعی عامل محور، مدل های تصمیم گیری توزیع شده و دوقلوی دیجیتال می تواند مسیر نوینی برای توسعه سامانه های پایدار و هوشمند در حوزه کشاورزی، صنایع غذایی و انرژی فراهم سازد.

کلیدواژه ها:

هوش مصنوعی عامل محور ، فرآیند تصمیم گیری مارکوف با مشاهده ناقص توزیع شده (Dec-POMDP) ، یادگیری تقویتی چند عاملی ، سامانه های کشاورزی-غذایی انرژی ، دوقلوی دیجیتال ، سیستم های چند عاملی ، مدیریت هوشمند منابع پایداری انرژی