Distributed Reinforcement Learning Framework for Resource Allocation in Disaster Response
Notice bibliographique
Résumé
Making decisions during a disaster can be challenging when human lives and infrastructures are exposed. An important factor to consider when allocating resources, in these situations, is the critical infrastructures' interdependencies. i2Sim, the Infrastructures' Interdependencies Simulator, is a tool build for that purpose. As a layered architecture, i2Sim includes a dedicated decision-making layer. The use of Reinforcement Learning (RL), a machine learning approach based on an agent learning from experience, has been successfully tested with some dimensionality constraints. This paper introduces two improvements to our previous tests aiming at increasing speed and allowing larger dimensionality problems. The first addition is an improved reward scheme for speeding up convergence while guaranteeing it. The correct application of shaping rewards requires a deep understanding of the problem and extensive convergence tests. The second improvement added is the implementation of a scheduler programmed to trigger multiple instances of the same model using different parameters. This scheduler partitions the state space, enabling the agent's training to be done in parallel via a distributed RL algorithm. With this idea, the state/action matrix representing knowledge is partitioned for training, assigned to computing nodes, populated with knowledge (trained) and collected/reconstructed for use. This work has tested on an IBM cluster with 24 computing nodes. The test model is an aggregated model of the City of Vancouver configured for a disaster with numerous consequences over the different critical infrastructures. Based on the model's configuration, 24 scenarios were identified, created and solved simultaneously. The scheduler automates the training by setting up model and learning parameters, looping execution of instances and gathering results from all nodes. The results verify a proof of concept and enable applicability to new models with highly increased dimensionalities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».