PulseAugur
中
实时 09:00:02
English(EN) Decision-Focused Continual Learning for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks

新框架通过持续学习提升港口调度效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的决策导向持续学习框架，以改进港口的电力物流调度。该方法能在线适应一系列不同的调度任务，解决了现有方法泛化能力差的问题。通过使用基于 Fisher 信息正则化和可微分凸代理，该框架在保持可持续的计算和内存需求的同时，增强了跨任务泛化能力。在 Jurong Port 进行的实验表明，与当前方法相比，决策性能和泛化能力得到了提升。 AI

影响 通过自适应人工智能增强物流决策制定，有望提高港口运营效率。

排序理由 这是一篇详细介绍特定应用新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Chuanqing Pu, Feilong Fan, Nengling Tai, Yan Xu, Wentao Huang, Honglin Wen ·

    面向决策的持续学习在港口电力物流调度中的应用：跨任务泛化

    arXiv:2511.07938v3 Announce Type: replace Abstract: Power-logistics scheduling in modern seaports typically follows a predict-then-optimize pipeline. To enhance the decision quality of predictions, decision-focused learning has been proposed, which aligns the training of forecast…

相关话题