Preference-Conditioned Multi-Objective Reinforcement Learning for Runtime-Tunable Transit Signal Priority
研究公交信号优先中平衡多目标的问题，提出偏好条件TSP控制器，能在运行时通过偏好参数调整权衡公交与整体交通延误，无需重训练。通过扩展场景生成实现，实验表明该控制器优于基线，保持约束可行性，且能揭示不同偏好下的非公交外部性情况。
2026-07-22 cs.AI cs.LG cs.SY
RecLLM-R1: A Two-Stage Training Paradigm with Reinforcement Learning and Chain-of-Thought v1
Xiaohongshu（小红书）
本文提出 RecLLM-R1 推荐框架，通过 SFT 和结合 CoT 的 GRPO 强化学习两阶段训练范式，利用自然语言提示优化推荐准确性与多样性，有效缓解过滤气泡并实现模型与业务策略的联合优化。
2025-06-24 cs.AI
Monkey Business: Reinforcement learning meets neighborhood search for Virtual Network Embedding
Telecom SudParis（南巴黎电信学院）；Davidson consulting（戴维森咨询公司）
在这篇文章中，我们考虑了5G网络切片的虚拟网络嵌入（VNE）问题。这个问题需要在底层虚拟化物理网络上分配多个虚拟网络（VN），同时最大化资源利用率、放置的VN的最大数量和网络运营商的利益等。我们解决了切片随时间到达的问题的在线版本。启发嵌套推出政策适应（NRPA）算法，一个著名的蒙特卡罗树搜索（MCTS），学习如何随着时间的推移进行良好的模拟的变体，我们提出了一个新的算法，我们称之为邻域增强的政策适应（NEPA）。我们的算法的关键特征是观察NRPA不能利用在状态树的一个分支中获得的知识用于另一个开始不同的分支。NEPA通过将NRPA与邻域搜索相结合来学习，以一种节俭的方式只改进有希望的解决方案，同时保持低运行时间。我们称这种技术为猴子生意，因为它归结为从一个有趣的树枝跳到另一个，类似于猴子从一棵树跳到另一棵树，而不是每次都下来。与其他最先进的算法相比，NEPA在接受率和收入成本比方面取得了更好的结果，无论是在真实的还是合成的拓扑结构上。
2022-02-28 cs.AI cs.NI
Learning When to Treat Business Processes: Prescriptive Process Monitoring with Causal Inference and Reinforcement Learning
University of Melbourne（墨尔本大学）；University of Tartu（塔尔图大学）；DeepMind（深度思维）
提高流程的成功率，即以积极结果结束的案例的百分比，是一个经常性的流程改进目标。在运行时，通常会有某些操作（也称为处理），工作人员可以执行这些处理以提高病例以积极结果结束的概率。例如，在贷款发放过程中，一种可能的处理方法是发出多个贷款要约，以增加客户接受贷款的可能性。每一种治疗都有成本。因此，在为病例制定治疗方案时，管理人员需要考虑治疗的净收益。此外，治疗的效果随着时间的推移而变化：早期治疗病例可能比晚期治疗更有效。本文提出了一种规范的监测方法，自动化这一决策任务。该方法结合因果推理和强化学习来学习最大化净增益的治疗策略。该方法利用保形预测技术，通过将可能最终得到积极或消极结果的情况与不确定的情况分开来加速强化学习机制的收敛。两个现实生活中的数据集上的评估表明，所提出的方法优于国家的最先进的基线。
2023-03-07 cs.AI cs.LG stat.ME
LLMs for Explainable Business Decision-Making: A Reinforcement Learning Fine-Tuning Approach
Robert H. Smith School of Business, University of Maryland（大学管理学院）；Leonard N. Stern School of Business, New York University（纽约大学商学院）
本文提出LEXMA方法，通过强化学习微调生成多受众适用的自然语言解释，提升商业决策的可解释性与实用性。
2025-12-10 cs.AI cs.CL
Identifying Appropriately-Sized Services with Deep Reinforcement Learning
University of Southern California（美国南加州大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出 Rake，一种基于深度强化学习的方法，通过分析系统文档和源代码，自动识别适当规模的服务，提升模块化质量和业务能力对齐度。
2025-12-23 cs.AI cs.SE
Automatic Deduction Path Learning via Reinforcement Learning with Environmental Correction
Alibaba Group（阿里巴巴集团）；Ant Group（蚂蚁集团）
本文提出一种基于环境校正的分层强化学习方法，自动学习最优扣款路径，降低人工设计成本并最大化成功扣款金额，已在全球最大电子支付业务中验证并部署。
2023-06-16 cs.AI cs.LG
Robust Deep Reinforcement Learning for Inverter-based Volt-Var Control in Partially Observable Distribution Networks
Tsinghua-Berkeley Shenzhen Institute, Tsinghua University（清华大学-伯克利深圳学院，清华大学）；Southwest Electric Power Design Institute Co., Ltd. of China Power Engineering Consulting Group（中国电力工程顾问集团西南电力设计院有限公司）
针对主动配电网测量有限导致的状态部分可观测、奖励未知问题，提出带保守评价器和代理奖励的鲁棒DRL方法，实现有限测量下的逆变器volt-var控制，优化网损与电压分布。
2024-08-13 cs.AI cs.SY eess.SY
Deep Reinforcement Learning for Power Grid Multi-Stage Cascading Failure Mitigation
School of System Science and Engineering（系统科学与工程学院）
针对现有单阶段策略难以处理电网多级连锁故障的问题，本文构建仿真环境，并采用确定性策略梯度强化学习实现连续控制，在 IEEE 14-bus 与 IEEE 118-bus 系统中验证了缓解效果。
2025-05-13 cs.AI cs.SY eess.SY
Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer
Washington State University（华盛顿州立大学）
强化学习已被发现在解决电力分配系统中的最优潮流（OPF）问题中是有用的。然而，使用完全忽略基于物理的电网建模的基本上无无模型强化学习算法会损害优化器性能并带来可扩展性挑战。本文提出了一种新的方法，协同结合基于物理的模型和基于学习的算法，使用模仿学习来解决分布级的最优潮流问题。具体而言，我们提出了基于模仿学习的改进深度强化学习（DRL）方法，以解决配电系统中电池存储调度的特定情况下的OPF问题。提出的模仿学习算法使用从线性化的基于模型的OPF求解器获得的近似最优解，为DRL算法提供良好的初始策略，同时提高训练效率。所提出的方法的有效性证明了使用IEEE 34总线和123总线配电馈线与众多的分布式级电池存储系统。
2021-09-02 cs.AI cs.LG cs.SY
Newton's Lantern: A Reinforcement Learning Framework for Finetuning AC Power Flow Warm Start Models
Pravah（普拉瓦）
本文提出牛顿之灯框架，通过结合分组相对策略优化与学习奖励模型，有效解决热启动误差方向对牛顿迭代次数的影响，实现高效收敛。
2026-05-11 cs.AI cs.LG cs.SY
Goal-Oriented Next Best Activity Recommendation using Reinforcement Learning
IBM Research AI（IBM人工智能研究院）；IIIT Hyderabad（海得拉巴国际信息技术学院）
为一个正在进行的案例推荐一系列活动需要这些建议符合基本的业务流程，并满足完成时间或流程结果的性能目标。现有的下一个活动预测工作可以预测未来的活动，但无法保证预测符合或达到目标。因此，我们提出了一个目标导向的下一个最佳活动建议。我们提出的框架使用深度学习模型来预测下一个最佳活动和给定活动的目标的估计值。强化学习方法基于可能满足一个或多个目标的估计来探索活动的序列。我们进一步解决了现实世界中的多个目标的问题，通过引入额外的奖励函数来平衡推荐活动的结果并满足目标。我们证明了所提出的方法的有效性在四个现实世界的数据集具有不同的特点。结果表明，从我们提出的方法的建议优于目标满意度和一致性相比，现有的国家的最先进的下一个最好的活动推荐技术。
2022-05-06 cs.AI
Learning optimal policies from event logs through reinforcement learning: a comparison of deep and MDP-based approaches
FBK - Fondazione Bruno Klopfer（FBK - 基础研究机构布鲁诺·克洛普弗）；Unitn（乌迪内大学）；Unibz（博尔扎诺大学）
提出两种强化学习方法（基于MDP和离线深度RL）从历史事件日志中学习最优行为策略以优化KPI，在数据驱动的BPS环境中评估，两种方法均有效提升KPI，但基于MDP的方法计算效率更高。
2026-06-15 cs.AI
Comparing Heuristics, Constraint Optimization, and Reinforcement Learning for an Industrial 2D Packing Problem
Technische Hochschule Rosenheim（罗森海姆应用技术大学）；Technische Universität München（慕尼黑工业大学）；Institut für nachhaltige Energieversorgung（可持续能源供应研究所）；Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）
切割和包装问题发生在不同的行业，直接影响企业的收入。通常，“剪切和打包”中的目标是将一组较小的对象指定给一组较大的对象。为了解决切割和包装问题，从业者可以诉诸启发式和精确的方法。最近，机器学习越来越多地用于解决此类问题。本文考虑了家具行业的二维装箱问题，其中一组木制工件必须以最节省空间的方式分配到手推车的不同模块。我们提出了一个实验设置来比较算法，约束优化和深度强化学习的给定问题。所使用的方法及其结果根据其解决方案质量和运行时间进行整理。在给定的用例中，贪婪启发式产生最佳结果，并在运行时间方面优于其他方法。约束优化也会产生最佳结果，但需要更多的时间来执行。深度强化学习方法并不总是产生最佳甚至可行的解决方案。虽然我们认为这可以通过更多的训练来弥补，但考虑到启发式的良好结果，深度强化学习似乎不适合给定的用例。
2021-10-27 cs.AI
Solving a New 3D Bin Packing Problem with Deep Reinforcement Learning Method
Zhejiang Cainiao Supply Chain Management Co., Ltd.（浙江菜鸟供应链管理有限公司）
提出了一种新的三维装箱问题（BPP），在该问题中，多个长方体形状的物品必须正交地逐个放入一个箱子中。我们的目标是找到一种方法来放置这些物品，可以最大限度地减少垃圾箱的表面积。这个问题是基于这样一个事实，即在许多实际业务场景中没有固定大小的垃圾箱，垃圾箱的成本与其表面积成正比。我们的研究表明，这个问题是NP-难的。在前人研究的基础上，提出了由物体的排列顺序、空间位置和方向决定物体表面面积的方法。在这些因素中，物品的顺序在最小化表面积方面起着关键作用。受深度强化学习（DRL）技术（尤其是指针网络）在TSP等组合优化问题上的最新成就的启发，提出了一种基于DRL的方法来优化待打包到箱子中的项目的顺序。数值结果表明，本文提出的方法比探试法提高了约5%。
2017-08-20 cs.AI
Efficient Mitigation of Bus Bunching through Setter-Based Curriculum Learning
University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出一种基于设置者模型的自动课程学习方法，动态生成动作空间、对手强度等，以高效缓解公交串车问题，提升强化学习训练效率与性能。
2024-05-23 cs.AI cs.LG
Reasoner for Real-World Event Detection: Scaling Reinforcement Learning via Adaptive Perplexity-Aware Sampling Strategy
Meituan（美团）
本文提出自适应困惑度感知强化学习框架APARL，通过双环动态课程学习架构提升大语言模型在真实客服对话中异常事件检测的OOD泛化能力，F1平均提升17.19%。
2025-07-02 cs.AI cs.LG
Deep Reinforcement Learning for Solving Management Problems: Towards A Large Management Mode
Random Seed Inc.（随机种子公司）；Wuhan Institute for Artificial Intelligence（武汉人工智能研究院）；Guanghua School of Management, Peking University（北京大学光华管理学院）；Xiangjiang Laboratory（湘江实验室）；H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
本文提出统一的深度强化学习框架，通过生成式基础决策模型协调库存、定价与推荐等管理任务，并验证其优于启发式方法。
2024-03-01 cs.AI cs.LG
Strategizing Equitable Transit Evacuations: A Data-Driven Reinforcement Learning Approach
School of Sustainable Engineering and the Built Environment, Arizona State University（亚利桑那州立大学可持续工程与建筑环境学院）；University of California, Berkeley（加州大学伯克利分校）
针对灾害疏散中效率与公平兼顾的需求，提出基于强化学习的公交疏散优化框架，利用实时公交与路网数据动态调线，仿真验证其较传统策略在效率和公平性上均有显著提升，可用于智能交通应急场景。
2024-12-08 cs.AI cs.CY cs.LG
Optimization of Activity Batching Policies in Business Processes
University of Tartu（塔尔图大学）
本文提出基于干预启发式的帕累托优化方法，用于发现业务流程中在等待时间、处理工作量和成本之间取得最优权衡的活动批处理策略，并通过仿真与爬山法、模拟退火和强化学习等元启发式结合进行迭代优化。
2025-07-21 cs.AI
Public Transport Network Design for Equality of Accessibility via Message Passing Neural Networks and Reinforcement Learning
Télécom SudParis（南巴黎电信学院）；Institut Polytechnique de Paris（巴黎综合理工学院）
针对公共交通可达性分布不均的问题，提出一种结合消息传递神经网络与强化学习的方法来设计公交线路，以最小化地理可达性不平等，并在蒙特利尔用例中验证了其优于传统元启发式算法的有效性。
2024-10-11 cs.AI
Transmission Interface Power Flow Adjustment: A Deep Reinforcement Learning Approach based on Multi-task Attribution Map
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Tsinghua University（清华大学）；College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）
本文提出一种基于多任务归因图的深度强化学习方法，联合调整输电断面功率流，在多个电力系统上显著提升性能并具有高可解释性。
2024-05-24 cs.AI cs.LG cs.SY
Intelligent Roundabout Insertion using Deep Reinforcement Learning
Vislab - University of Parma（帕尔马大学 Vislab）；Vislab
机动规划系统的开发是自动驾驶研究中的一个重要课题。车辆必须相互交流和协商，以便在时间和安全方面做出最佳选择。为此，我们提出了一个机动规划模块，能够协商进入繁忙的迂回。所提出的模块是基于一个神经网络训练，以预测何时以及如何进入环形交叉口在整个持续时间的演习。我们的模型是用一种新的A3 C实现来训练的，我们称之为延迟A3 C（D-A3 C），在一个合成环境中，车辆以具有交互功能的现实方式移动。此外，该系统经过训练，使代理具有独特的可调行为，模拟驾驶员有自己驾驶风格的真实世界场景。类似地，可以使用不同的积极性级别来执行该策略，这对于管理其中保守的基于规则的策略将导致未定义的等待的繁忙场景特别有用。
2021-04-28 cs.AI cs.LG cs.MA
Networked Multiagent Safe Reinforcement Learning for Low-carbon Demand Management in Distribution Network
本文提出一种网络化多智能体安全强化学习方法，通过双层运行框架实现配电网低碳需求管理，在满足碳排放约束和隐私保护的同时优化负荷控制与配电网调度。
2023-11-27 cs.AI cs.SY eess.SY
Offline Reinforcement Learning for Microgrid Voltage Regulation
School of System Science and Engineering（系统科学与工程学院）
针对微电网电压调节中无法在线交互的问题，提出基于离线强化学习的方法，通过预收集数据集训练得到可用模型，在IEEE 33节点系统上验证了其在不同数据集下的可行性与有效性。
2025-05-15 cs.AI cs.SY eess.SY
A Rollout-Based Algorithm and Reward Function for Resource Allocation in Business Processes
Eindhoven University of Technology Department of Industrial Engineering（埃因霍温理工大学工业工程与创新科学系）
针对现有深度强化学习方法不适用于业务流程动态环境、依赖人工设计奖励函数易导致次优策略的问题，提出基于rollout的DRL算法与直接分解最小化周期时间目标的奖励函数，在多场景与真实规模流程上性能优于或持平最佳启发式方法。
2025-09-02 cs.AI cs.LG
Using Reinforcement Learning to Optimize Responses in Care Processes: A Case Study on Aggression Incidents
Utrecht University（乌得勒支大学）
针对护理流程动态复杂、攻击事件应对策略有限的问题，采用Q-learning和SARSA强化学习算法训练马尔可夫决策过程，得出的最优策略与现有常用操作相似且能提供更多情境化应对选项。
2023-10-02 cs.AI cs.LG
OR-Gym: A Reinforcement Learning Library for Operations Research Problems
Carnegie Mellon University（卡内基梅隆大学）
强化学习（RL）已被广泛应用于游戏中，并在许多领域超过了最佳的人类水平的性能，但在工业或商业环境中的用例很少。我们介绍OR-Gym，这是一个用于开发强化学习算法以解决运筹学问题的开源库。在本文中，我们将强化学习应用到背包，多维装箱，多级供应链，多阶段资产配置模型问题，以及基准的RL解决方案对MILP和启发式模型。这些问题用于物流、金融、工程，并且在许多业务操作设置中很常见。我们开发环境的基础上，在文献中的原型模型，并实现各种优化和启发式模型，以基准的RL结果。通过将一系列经典的优化问题重新定义为RL任务，我们试图为运筹学社区提供一种新的工具，同时也为RL社区中的许多问题和挑战打开了大门。
2020-10-17 cs.AI cs.LG
MCP-Universe RL: A Framework for Training MCP Tool-Use Agents via Reinforcement Learning
Salesforce AI Research（Salesforce AI研究院）
该研究提出MCP-U RL开源框架，依托MCP协议解决RL训练中环境搭建与GPU利用率问题，在gpt-oss-20b上训练三类工具使用智能体并提升了任务奖励。
2026-08-25 cs.AI cs.LG
An Innovative Data-Driven and Adaptive Reinforcement Learning Approach for Context-Aware Prescriptive Process Monitoring
Faculty of Engineering and Computer Science, University of Victoria, BC, Canada（工程与计算机科学学院，维多利亚大学）；Computer Science, Irving K. Barber Faculty of Science, University of British Columbia, BC, Canada（计算机科学，不列颠哥伦比亚大学理学院）
提出FORLAPS框架，结合强化学习与状态相关奖励塑形机制识别业务流程最优执行路径，并引入流程感知数据增强技术，实验证明其在多行业场景中显著节省资源与时间，优于现有方法。
2025-05-27 cs.AI cs.LG
Reinforcement Learning-based Product Delivery Frequency Control
Facebook（脸书）
频率控制是现代推荐系统中的一个重要问题。它规定了建议的交付频率，以保持产品质量和效率。例如，发送促销通知的频率会影响日常指标以及基础设施资源消耗（例如CPU和内存使用）。我们应该优化什么目标来最好地代表长期的业务价值，以及我们应该如何在动态波动的环境中平衡日常指标和资源消耗，这些问题仍然存在。我们提出了一种个性化的频率控制问题的方法，它结合了长期价值优化使用强化学习（RL）与强大的音量控制技术，我们称之为“有效因子”。我们展示了统计上显着的改善，在日常指标和资源效率，我们的方法在几个通知应用程序在数十亿用户的规模。据我们所知，我们的研究代表了在这种工业规模下频率控制问题的第一个深度RL应用。
2020-12-20 cs.AI cs.LG
Safe Exploration of State and Action Spaces in Reinforcement Learning
Universidad Carlos III de Madrid（卡洛斯三世大学）
本文研究了强化学习中的安全探索问题。虽然强化学习非常适合具有复杂过渡动态和高维状态-动作空间的领域，但安全和有效探索的需求带来了额外的挑战。传统的探索技术对于解决危险的任务不是特别有用，其中试错过程可能导致选择动作，这些动作在某些状态下的执行可能导致对学习系统（或任何其他系统）的损害。因此，当一个智能体开始与一个危险的高维状态-动作空间进行交互时，一个重要的问题就出现了;即如何避免（或至少最小化）由于探索状态-动作空间而造成的损害。我们介绍了PI-SRL算法，它安全地改善了连续状态和动作控制任务的次优行为，并有效地从环境中获得的经验中学习。我们评估所提出的方法在四个复杂的任务：自动停车场，杆平衡，直升机悬停，和企业管理。
2014-02-04 cs.AI cs.LG
Data-Driven Simulation of Ride-Hailing Services using Imitation and Reinforcement Learning
University of Moratuwa（莫拉图瓦大学）
网约车平台的快速增长创造了一个竞争激烈的市场，企业难以盈利，需要更好的运营策略。然而，对于这些平台来说，现实世界的实验是有风险和昂贵的，因为它们每天都要处理数百万用户。因此，需要一个模拟的环境，他们可以预测用户的反应，在平台特定的参数，如旅行费用和奖励的变化。构建这样的模拟是具有挑战性的，因为这些平台存在于动态环境中，成千上万的用户经常相互交互。本文提出了一个框架来模拟和预测用户，特别是司机，在乘车服务的行为。为此，我们使用了数据驱动的混合强化学习和模仿学习方法。首先，该代理利用行为克隆来模仿驾驶员的行为，使用真实世界的数据集。接下来，强化学习应用于模拟环境中预先训练的代理之上，以使它们能够适应平台中的变化。我们的框架为网约车平台提供了一个理想的平台，可以实验平台特定的参数来预测驾驶员的行为模式。
2021-04-06 cs.AI cs.LG
Reinforcement Learning in Practice: Opportunities and Challenges
本文是关于强化学习实践领域的温和讨论，关于机遇和挑战，涉及广泛的主题，有观点，没有技术细节。本文基于历史和最近的研究论文，调查，教程，会谈，博客，书籍，（小组）讨论和研讨会/会议。不同的读者群体，如研究人员，工程师，学生，经理，投资者，官员和想了解更多关于该领域的人，可能会发现这篇文章很有趣。在这篇文章中，我们首先简要介绍了强化学习（RL），以及它与深度学习、机器学习和AI的关系。然后，我们讨论了强化学习的机会，特别是产品和服务，游戏，强盗，推荐系统，机器人，交通，金融和经济，医疗保健，教育，组合优化，计算机系统，科学和工程。然后我们讨论了挑战，特别是1）基础，2）表示，3）奖励，4）探索，5）模型，模拟，规划和基准，6）离线/离线学习，7）学习学习a.k.a.元学习，8）可解释性和可解释性，9）约束，10）软件开发和部署，11）业务视角，以及12）更多挑战。最后，我们讨论，试图回答：“为什么RL还没有被广泛采用在实践中呢？和“RL什么时候有用？".
2022-04-22 cs.AI cs.LG
Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search
Beijing University of Posts and Telecommunications（北京邮电大学）；Xiaohongshu Inc.（小红书公司）
通过强化学习提升小红书搜索生成排序的相关性建模，增强可解释性和性能。
2025-12-29 cs.AI cs.IR
Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning
Dream11
本文针对梦幻板球组队优化问题，将队伍创建建模为序贯决策过程，利用历史球员数据训练强化学习算法预测表现并优化阵容，实验证明RL方法优于传统选秀策略。
2024-12-26 cs.AI cs.LG
A Deep Reinforcement Learning Approach for Online Parcel Assignment
Cainiao Network（菜鸟网络）
在本文中，我们研究了在线包裹分配（OPA）问题，其中每个随机生成的包裹需要分配到一个候选路线交付，以最小化总成本受到一定的业务约束。OPA问题由于其随机性而具有挑战性：每个包裹的候选路线，取决于包裹的起源，目的地，重量等，是未知的，直到它的订单，并提前总包裹体积是不确定的。为了应对这一挑战，我们提出了基于深度强化学习的PPO-OPA算法，该算法具有竞争力的性能。更具体地说，我们引入了一种新的马尔可夫决策过程（MDP）框架来建模的OPA问题，并开发了一个策略梯度算法，采用注意力网络的政策评估。通过设计一个专门的奖励函数，我们提出的算法可以实现更低的总成本与更小的违反约束，相比，传统的方法，分配包裹的候选路线成比例。此外，我们提出的算法和原始-对偶算法的性能是可比的，而后者假设一个已知的总包裹体积，这是不现实的，在实践中。
2023-01-17 cs.AI cs.LG
End-to-End Reinforcement Learning of Curative Curtailment with Partial Measurement Availability
RWTH Aachen University（亚琛工业大学）；IAEW, RWTH Aachen University（亚琛工业大学IAEW）；E.ON Group Innovation GmbH（意昂集团创新有限公司）；Schleswig-Holstein Netz AG（石勒苏益格-荷尔斯泰因网络股份公司）
针对配电网拥堵问题及现有OPF方法依赖全节点测量、计算成本高的局限，提出基于深度强化学习的端到端方法，仅需部分节点可观测即可通过有功削减和无功设置实现无拥堵运行，在真实低压电网中验证了优异效果。
2024-06-10 cs.AI cs.LG cs.SY
Prescriptive Process Monitoring Under Resource Constraints: A Reinforcement Learning Approach
Institute of Computer Science, University of Tartu（计算机科学研究所，塔尔图大学）
针对现有处方流程监控强化学习方法假设资源无限的问题，提出结合共形预测考虑预测不确定性的资源约束下强化学习方法，经真实数据集验证可提升净干预收益。
2024-01-20 cs.AI cs.LG
End-to-end LSTM-based dialog control optimized with supervised and reinforcement learning
Microsoft Research（微软研究院）
本文提出了一个面向任务的对话系统的端到端学习模型。该模型的主要组件是一个递归神经网络（LSTM），它将原始对话历史直接映射到系统操作的分布。LSTM自动推断对话历史的表示，这减轻了系统开发人员对对话状态的大量手动功能工程。此外，开发人员可以提供表达业务规则的软件，并提供对编程API的访问，使LSTM能够代表用户在现实世界中采取行动。LSTM可以使用监督学习（SL）进行优化，其中领域专家提供LSTM应该模仿的示例对话框;或者使用强化学习（RL），其中系统通过直接与最终用户交互来改进。实验表明，SL和RL是互补的：SL可以从少量的训练对话框中获得合理的初始策略;使用SL训练的策略启动RL优化可以大大加快RL的学习率。
2016-06-03 cs.AI cs.CL cs.LG
RL-MPCA: A Reinforcement Learning Based Multi-Phase Computation Allocation Approach for Recommender Systems
Meituan（美团）
本文提出基于强化学习的多阶段计算分配方法RL-MPCA，通过建模弱耦合MDP并设计带自适应拉格朗日乘子的深度Q网络，在计算资源限制下最大化推荐系统业务收益。
2023-12-27 cs.AI cs.IR cs.LG
Real-Time Bus Departure Prediction Using Neural Networks for Smart IoT Public Bus Transit
The University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对公交发车不准时问题，本文提出基于全连接神经网络的实时预测方法，利用历史数据预测后续站点发车时间，在波士顿151条线路上将偏差预测精度提升至80秒内，助力智能物联网公交系统。
2025-01-17 cs.AI cs.LG
TaoSR-AGRL: Adaptive Guided Reinforcement Learning Framework for E-commerce Search Relevance
Tsinghua University（清华大学）；Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）；Fudan University（复旦大学）
电商搜索中查询-产品相关性预测很关键，现有方法有局限。提出TaoSR-AGRL框架，通过规则感知奖励塑造和自适应引导重放两大创新，提升模型推理能力，在实验中表现优于基线，已成功部署。
2026-07-07 cs.AI cs.CL cs.IR
Reinforcement Learning for Multi-Product Multi-Node Inventory Management in Supply Chains
TCS Research（塔塔咨询服务公司研究院）；Robert Bosch Centre for Data Science and AI, IIT Madras（印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心）
本文描述了强化学习（RL）在供应链多产品库存管理中的应用。问题描述和解决方案都改编自现实世界的业务解决方案。这个问题的新颖之处就供应链文献是（i）我们考虑并发库存管理的大量（50到1000）的产品共享能力，（ii）我们考虑了一个多节点的供应链，由一个仓库，供应三个商店，（iii）仓库，商店和运输从仓库到商店有有限的能力，（iv）仓库和商店补货发生在不同的时间尺度上，并且具有实际的时间滞后，以及（v）商店对产品的需求是随机的。我们描述了一种新的配方在多代理（分层）强化学习框架，可用于并行决策，并使用优势演员评论（A2C）算法与量化的行动空间来解决这个问题。实验表明，该方法是能够处理多目标奖励最大化的产品销售和最小化易腐产品的浪费。
2020-06-07 cs.AI cs.LG cs.MA
Reinforcement Learning Enabled Peer-to-Peer Energy Trading for Dairy Farms
School of Computer Science, University of Galway（戈尔韦大学计算机科学学院）
针对奶牛场可再生能源剩余电力的P2P交易难题，本文构建MAPDES仿真平台并采用强化学习进行决策，显著降低电费与峰值需求并提升能源销售收入。
2024-05-21 cs.AI cs.LG cs.MA
Digital Human Interactive Recommendation Decision-Making Based on Reinforcement Learning
AntGroup（蚂蚁集团）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）
数字人推荐系统是为了帮助客户找到他们喜欢的产品而开发的，并在各种推荐环境中发挥着积极的作用。如何及时捕捉和学习客户的偏好动态，同时满足他们的确切要求，成为数字人类推荐领域的关键。为了充分利用数字人的特点和强化学习的灵活性，提高交互式推荐决策的效率，设计了一种基于强化学习（RL）的数字人交互式推荐代理框架。我们提出的框架通过最先进的RL算法，结合多模态嵌入和图嵌入，动态地通过数字人和客户之间的实时交互进行学习，以提高个性化的准确性，从而使数字人代理能够及时吸引客户的注意力。对真实业务数据的实验表明，我们的框架可以提供更好的个性化客户参与和更好的客户体验。
2022-11-04 cs.AI cs.IR cs.LG
Evaluation of Look-ahead Economic Dispatch Using Reinforcement Learning
Tsinghua University（清华大学）
现代电力系统正在经历由可再生能源驱动的各种挑战，这要求开发新的调度方法，如强化学习（RL）。这些方法以及RL代理的评估在很大程度上正在探索中。在本文中，我们提出了一种评估方法来分析性能的RL代理前瞻性的经济调度方案。这种方法是通过扫描多个操作场景来进行的。特别是，场景生成方法被开发用于生成网络场景和需求场景以用于评估，并且网络结构根据潮流的变化率被聚合。然后从经济性和安全性的角度定义了几个指标来评估代理的性能。在案例研究中，我们使用一个修改后的IEEE 30节点系统来说明所提出的评估方法的有效性，和仿真结果显示良好和快速适应不同的情况。不同强化学习代理之间的比较也是有益的，为更好地设计学习策略提供建议。
2022-09-21 cs.AI cs.SY eess.SY
Vehicle Dispatching and Routing of On-Demand Intercity Ride-Pooling Services: A Multi-Agent Hierarchical Reinforcement Learning Approach
Tsinghua University（清华大学）；University of Michigan（密歇根大学）；Central University of Finance and Economics（中央财经大学）
本研究针对按需城际拼车服务中车辆调度与路径规划的复杂性，提出一种结合多智能体封建强化学习与自适应大邻域搜索的两级在线车队管理框架，有效缓解供需不平衡并显著提升系统利润与订单完成率。
2024-03-20 cs.AI cs.LG cs.SY
High Fidelity Textual User Representation over Heterogeneous Sources via Reinforcement Learning
LinkedIn Corporation（领英公司）；Rutgers, The State University of New Jersey（罗格斯大学）
本文提出基于强化学习的框架，通过隐含用户参与信号和规则奖励，实现统一且可解释的用户文本表示，提升大规模就业平台的个性化效果。
2026-02-07 cs.AI cs.CL cs.IR
Large Language Model-Enhanced Reinforcement Learning for Generic Bus Holding Control Strategies
The Hong Kong Polytechnic University（香港理工大学）
针对传统公交驻站控制方法的预测精度低、RL奖励设计依赖手动试错等问题，本研究提出LLM增强RL范式，通过自动生成奖励函数提升策略性能，在多场景下表现出优越性、泛化能力和鲁棒性。
2025-04-13 cs.AI cs.LG
Outage Detection in Self-Healing Smart Grids Using Reinforcement Learning with Spectral Graph Neural Networks
Wayne State University（韦恩州立大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出频谱图强化学习框架，利用频谱图神经网络学习最优恢复策略，实现配电网故障实时近最优管理，在三个IEEE测试系统上验证了泛化能力。
2026-05-26 cs.AI cs.LG
Revealing Robust Oil and Gas Company Macro-Strategies using Deep Multi-Agent Reinforcement Learning
University of Oxford（牛津大学）；E3G（E3G（第三代环保主义组织））；Imperial College London（帝国理工学院）
如果大型国际石油公司（IOC）未能适应低碳商业模式，能源转型可能会给它们带来生存风险。然而，对能源未来的预测在规模和速度上存在分歧，导致国际奥委会决策者及其利益相关者对现有化石燃料公司的商业模式存在分歧。在这项工作中，我们使用深度多智能体强化学习来解决能源系统战争游戏，其中玩家模拟IOC决策，包括碳氢化合物和低碳投资决策，股息政策和资本结构措施，通过不确定的能源过渡来探索关键和非线性治理问题，从杠杆过渡到储备替代。由最先进的算法促进的对抗性游戏揭示了对能源转型不确定性和多个IOC的强大决策策略。在所有游戏中，由于早期的转型导向运动，以低碳商业模式的形式出现了强有力的战略。无论碳氢化合物需求预测如何，采用这种战略的国际石油公司的业绩都优于“一切照旧”和延迟过渡战略。除了最大化价值外，这些战略还通过提供加速全球低碳能源转型所需的大量资本，使更多的社会受益。我们的研究结果指出，贷款人和投资者需要有效地动员转型导向型融资，并与国际奥委会合作，以确保负责任地将资本重新分配到低碳商业模式，使化石燃料企业成为未来的低碳领导者。
2022-11-20 cs.AI cs.LG econ.GN
Multi-Agent Reinforcement Learning with Graph Convolutional Neural Networks for optimal Bidding Strategies of Generation Units in Electricity Markets
ETH Zurich（苏黎世联邦理工学院）；EPFL（洛桑联邦理工学院）
在电力市场环境下，寻找发电机组的最优报价策略将获得更高的利润。然而，由于系统的不确定性，这是一个具有挑战性的问题，这是由于未知的其他发电机组的策略。分布式优化，其中每个实体或代理单独决定其出价，已成为最先进的，但它不能克服系统的不确定性的挑战。深度强化学习是在不确定环境中学习最优策略的一种很有前途的方法。然而，它是不能够在学习过程中集成的空间系统拓扑结构的信息。提出了一种基于深度强化学习（DRL）和图卷积神经网络（GCN）的分布式学习算法。事实上，所提出的框架可以帮助代理人更新他们的决策，从环境中获得反馈，以便它可以克服的不确定性的挑战。在该算法中，节点之间的状态和连接是GCN的输入，它可以使代理知道系统的结构。这些关于系统拓扑结构的信息有助于代理人改进他们的投标策略并增加利润。我们评估所提出的算法在IEEE 30节点系统在不同的情况下。此外，为了研究所提出的方法的泛化能力，我们测试IEEE 39节点系统的训练模型。仿真结果表明，该算法比DRL算法具有更强的泛化能力，在改变系统拓扑结构时，可以获得更高的收益。
2022-08-11 cs.AI cs.LG cs.MA
Multi-Agent Reinforcement Learning for Power Grid Topology Optimization
Vrije Universiteit（阿姆斯特丹自由大学）
针对可再生能源接入下电网拓扑控制的大动作空间难题，提出利用电网分层结构的分层MARL框架，并验证其相较单智能体RL具有竞争力。
2023-10-04 cs.AI cs.LG cs.SY
