A Reinforcement Learning Implementation for a Scheduling Problem

Dieses Kapitel befasst sich mit der Anwendung von Verstärkungslernen, um Probleme bei der Terminplanung zu lösen, wobei der Schwerpunkt auf der Minimierung der totalen Verzögerung bei der einmaschigen Auftragsverarbeitung liegt. Die Studie stellt ein Q-Learning-Modell vor, das die Methodik zur Definition von Staaten, Maßnahmen und Belohnungen detailliert. Es untersucht auch die Integration maschineller Lerntechniken in die Planung von Problemen und unterstreicht das wachsende Interesse an verstärktem Lernen für komplexe Aufgaben. Die experimentellen Ergebnisse vergleichen den Q-Learning-Algorithmus mit dem Tabu-Suchalgorithmus und zeigen die überlegene Leistung und Effizienz von Ersterem. Die Studie endet mit einer Diskussion über zukünftige Forschungsmöglichkeiten, einschließlich des Potenzials von komplexeren Lernmethoden zur Verstärkung und fortgeschrittenen Deep-Learning-Architekturen.