Using Reinforcement Learning to Provide Decision Support in Multi-Domain Mass Evacuation Operations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we study a scenario in which a large number of individuals in various levels of medical distress are stranded at a remote location, such as in the Arctic, and must be evacuated. Set within this context, we examine a multi-domain operation in which the evacuation of individuals occurs via one of two ways, either by helicopter or by ship, each with their own capacity constraints. The aim of this research is to determine a decision policy whose objective is to maximize the number of survivors. This is achieved by seeking a policy that throughout the operation effectively coordinates the selection of those individuals to be evacuated via helicopter and those to be evacuated via ship. Our contributions are twofold. First, we formulate the multi-domain mass evacuation operation as a Markov Decision Process. Second, due to the fact that the curse of dimensionality renders exact methods not applicable, we employ an Artificial Intelligence framework, namely, Reinforcement Learning (RL), also known as Approximate Dynamic Programming (ADP) within operations research, to learn a near-optimal policy. Using a value function approximation based on state aggregation, we design an ADP algorithm to learn a policy within the context of a representative planning scenario. We then apply this policy across a range of test scenarios and compare the outcomes to those achieved using non-coordinated benchmark policies. Although our learned policy does not outperform all benchmarks, our results demonstrate how Artificial Intelligence may be used to evaluate candidate policies and provide decision support in multi-domain operations.
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle