基于增量强化学习的智能建筑调度算法、存储介质及设备制造技术

本发明专利技术公开了基于增量强化学习的智能建筑调度算法、系统及介质，笨方法首先用有向无环图对任务进行建模，利用DAG结构的部分变化来反应任务的变化；其次，引入图神经网络学习DAG的深层次结构和动态特性，为任务调度提供实时更新的依赖关系信息；最后，面对动态变化的环境，将增量学习与深度强化学习相结合，快速自适应环境的实时变化以及依赖任务的动态变化，在原先的调度策略上进行调整做出最优的调度决策，确保降低能耗的同时实现多目标优化。

【技术实现步骤摘要】

本专利技术涉及智能建筑运维活动领域，特别涉及基于增量强化学习的智能建筑调度算法、系统及介质。

技术介绍

1、近年来，任务调度能够优化建筑内部的能源使用以及设备操作，提高资源利用率、降低能耗，成为了智能建筑能源管理中不可或缺的一部分。云边协同融合了云计算的高效数据处理能力与边缘计算的低延迟优势，为任务调度提供了一个关键的架构支持。随着智能建筑的发展，基于智能自动化技术的住宅应用可以实现对室内环境的精确控制，以满足人们对舒适性的需求。这一进步带来的挑战是，任务需求会随着外界环境的变化而频繁变动，例如温度、照明和安全监控等多个系统的联动操作引发了复杂的依赖性任务。这些任务不仅需要相互协调，还必须灵活应对需求的变化，保证室内环境的舒适与安全。任务的依赖性和需求的动态变化也导致任务支撑环境负载也具有较强的动态性。边缘计算虽然能够提供快速响应，但资源有限；而云计算虽资源丰富，但可能面临延迟问题。因此如何在动态环境中，有效适应依赖任务变化进行调度，在减少能耗的前提下进行多目标优化成为了关键问题。

2、针对任务调度这一问题，目前有传统基于固定规则的随机调度、时本文档来自技高网...

【技术保护点】

1.一种基于增量强化学习的智能建筑调度算法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于增量强化学习的智能建筑调度算法，其特征在于：步骤S200中，强化学习算法训练步骤为：

3.如权利要求2所述的基于增量强化学习的智能建筑调度算法，其特征在于：所述的增量强化学习即将深度强化学习与增量学习相结合，具体为：

4.如权利要求3所述的基于增量强化学习的智能建筑调度算法，其特征在于：当在新的有向无环图DGA上更新策略模型时，将初始化主网络θ和目标网络θ-的权重，具体为；

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有...

【技术特征摘要】

1.一种基于增量强化学习的智能建筑调度算法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于增量强化学习的智能建筑调度算法，其特征在于：步骤s200中，强化学习算法训练步骤为：

3.如权利要求2所述的基于增量强化学习的智能建筑调度算法，其特征在于：所述的增量强化学习即将深度强化学习与增量学习相结合，具体为：

4.如权利要求3所述的基于增量强化学习的智能建筑调度算法，其特征在于：当在新的有向无环...

【专利技术属性】
技术研发人员：陆悠，陈宇豪，许犇，陈晨，傅启明，陈建平，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：