Curriculum RL Meets Monte Carlo Planning: Optimization of a Real World Container Management Problem

Dieses Kapitel untersucht die Optimierung des Behältermanagements in Abfallsortieranlagen, wobei der Schwerpunkt auf den Herausforderungen liegt, die sich aus schwankenden Materialtypen, unvorhersehbaren Tagesvolumina und strengen Sicherheitsbeschränkungen ergeben. Die Autoren stellen eine Methode des hybriden Verstärkungslernens (RL) vor, die Lehrpläne mit einem domänenspezifischen Kollisionsmodell kombiniert, um diese Probleme zu lösen. Der Text geht auf die dreiphasige Lehrplan-Lernstrategie ein, die darauf ausgelegt ist, verzögerte Belohnungen und zweibändige Ziele anzugehen, sowie auf das offline trainierte Kollisionsmodell, das on-the-fly Inferenzüberprüfungen zur Vermeidung von Kollisionen vorsieht. Empirische Ergebnisse zeigen eine signifikante Verringerung von Kollisionen, Verletzungen von Sicherheitsgrenzen und Verbesserungen des Durchsatzes. Das Kapitel bietet auch umsetzbare Richtlinien für das optimale Verhältnis von Behältern zu Verarbeitungseinheiten und liefert wertvolle Erkenntnisse für die Konzeption und den Betrieb von Anlagen. Die Integration von RL optimiert nicht nur den Tagesablauf, sondern beeinflusst auch Hardware-Designentscheidungen und macht sie zu einer umfassenden Lösung zur Steigerung von Effizienz und Sicherheit in Abfallsortieranlagen.