面向化工调度的深度强化学习方法现状与展望

陶智能; 邱彤; 董丰莲; 魏志伟

doi:10.16085/j.issn.1000-6613.2026-0478

您当前的位置：

首页 >

文章列表页 >

面向化工调度的深度强化学习方法现状与展望

化工过程与装备 | 更新时间：2026-05-11

- 面向化工调度的深度强化学习方法现状与展望
- Deep reinforcement learning methods for chemical process scheduling: current status and future prospects
- 化工进展 2026年
- 作者机构：
  
  1.清华大学化学工程系，北京 100084
  2.化学工程与低碳技术全国重点实验室，北京 100084
  3.中国石油规划总院，北京 100083
- 作者简介：
  
  陶智能（2003—），男，博士研究生，研究方向为过程系统工程。Email:tzn24@mails.tsinghua.edu.cn。
  邱彤，博士，教授，研究方向为过程系统工程。Email:qiutong@tsinghua.edu.cn。
- 基金信息：
- DOI：10.16085/j.issn.1000-6613.2026-0478
  中图分类号： TQ015;TP18
- 收稿：2026-03-31，
  
  修回：2026-05-06，
  
  录用：2026-05-09，
- 稿件说明：
移动端阅览
陶智能, 邱彤, 董丰莲, 等. 面向化工调度的深度强化学习方法现状与展望[J/OL]. 化工进展, 2026.

TAO Zhineng, QIU Tong, DONG Fenglian, et al. Deep reinforcement learning methods for chemical process scheduling: current status and future prospects[J/OL]. Chemical Industry and Engineering Progress, 2026.
陶智能, 邱彤, 董丰莲, 等. 面向化工调度的深度强化学习方法现状与展望[J/OL]. 化工进展, 2026. DOI： 10.16085/j.issn.1000-6613.2026-0478.

TAO Zhineng, QIU Tong, DONG Fenglian, et al. Deep reinforcement learning methods for chemical process scheduling: current status and future prospects[J/OL]. Chemical Industry and Engineering Progress, 2026. DOI： 10.16085/j.issn.1000-6613.2026-0478.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于深度VGG模型在乙烯裂解炉装置的预测应用

基于机器学习的超声衰减预测水滑石粒度分布

基于LSTM和BP神经网络的间歇蒸馏过程工况预测

基于分子结构分布的减压蜡油分子重构模型

基于代理模型的环氧乙烷制乙二醇工艺优化同步热集成

面向化工调度的深度强化学习方法现状与展望

Deep reinforcement learning methods for chemical process scheduling: current status and future prospects

DOI：10.16085/j.issn.1000-6613.2026-0478