Energy-Aware Swarm Robotics in Smart Microgrids Using Quantum-Inspired Reinforcement Learning
Notice bibliographique
Résumé
The integration of autonomous robots with intelligent electrical systems introduces complex energy management challenges, particularly as microgrids increasingly incorporate renewable energy sources and storage devices in widely distributed environments. This study proposes a quantum-inspired multi-agent reinforcement learning (QI-MARL) framework for energy-aware swarm coordination in smart microgrids. Each robot functions as an intelligent agent capable of performing multiple tasks within dynamic domestic and industrial environments while optimizing energy utilization. The quantum-inspired mechanism enhances adaptability by enabling probabilistic decision-making, allowing both robots and microgrid nodes to self-organize based on task demands, battery states, and real-time energy availability. Comparative experiments across 1500 grid-based simulated environments demonstrated that when benchmarked against the classical MARL baseline, QI-MARL achieved an 8% improvement in path efficiency, a 12% increase in task success rate, and a 15% reduction in energy consumption. When compared with the rule-based approach, improvements reached 15%, 20%, and 26%, respectively. Ablation studies further confirmed the substantial contributions of the quantum-inspired exploration and energy-sharing mechanisms, while sensitivity and scalability analyses validated the system’s robustness across varying swarm sizes and environmental complexities. The proposed framework effectively integrates quantum-inspired AI, intelligent microgrid management, and autonomous robotics, offering a novel approach to energy coordination in cyber-physical systems. Potential applications include smart buildings, industrial campuses, and distributed renewable energy networks, where the system enables flexible, resilient, and energy-efficient robotic operations within modern electrical engineering contexts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».