Un método de programación dinámica que combina optimización iterativa y aprendizaje profundo por refuerzo para resolver eventos de perturbación repentina en un proceso de fabricación flexible
Autores: Yan, Jun; Zhao, Tianzuo; Zhang, Tao; Chu, Hongyan; Yang, Congbin; Zhang, Yueze
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método de programación dinámica que combina optimización iterativa y aprendizaje profundo por refuerzo para resolver eventos de perturbación repentina en un proceso de fabricación flexible
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Perturbaciones impredecibles
Fallo de la máquina
Retraso en el tiempo de procesamiento
Cambios en el pedido
Método de programación dinámica
Aprendizaje profundo por refuerzo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Las experimentos de datos muestran que el modelo de toma de decisiones DRL entrenado puede proporcionar retroalimentación oportuna sobre los arreglos de programación ajustados para problemas de pedidos de diferentes escalas.
Descripción
Las experimentos de datos muestran que el modelo de toma de decisiones DRL entrenado puede proporcionar retroalimentación oportuna sobre los arreglos de programación ajustados para problemas de pedidos de diferentes escalas.