强化学习反应堆优化基准
原文中文,约300字,阅读约需1分钟。发表于: 。在核反应堆优化中,引入了适用于强化学习的 OpenNeoMC 框架的新型基准问题,通过蒙特卡洛方法和机器学习技术的结合,提出了在具有不同物理区域的单元反应堆中优化中子通量的挑战,通过演化算法和神经进化算法的模拟,证明了强化学习在复杂优化中的有效性,并提议了 OpenNeoMC 框架中的加速技术来加快模拟时间。
通过引入OpenNeoMC框架,核反应堆优化中的新型基准问题得到了解决。利用蒙特卡洛方法和机器学习技术,成功优化了具有不同物理区域的单元反应堆中的中子通量。演化算法和神经进化算法的模拟证明了强化学习在复杂优化中的有效性。OpenNeoMC框架中的加速技术能够提高模拟时间。