A reinforcement learning approach for adaptive dispatching rule acquisition for automated guided vehicles
Otomatik yönlendirmeli araçlara takviyeli öğrenme yaklaşımı ile adaptif dağıtım kuralları kazandırılması
- Tez No: 603313
- Danışmanlar: DOÇ. DR. GÖNENÇ YÜCEL, PROF. DR. FİKRET ÜMİT BİLGE
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 81
Özet
21. yüzyılın üretim sistemlerinin günlük olarak karşılaştığı şartname değişiklikleri, ekipman arızaları, müşteri siparişlerindeki dalgalanmalar gibi sürekli ve dinamik değişiklikler bulunmaktadır. Bu sebeple, üreticilerin pazar gereksinimlerine göre kendi kendini ayarlayabilme ihtiyacı artmıştır. Üretim sektörünün gereksinimlerine uygun birçok yöntemden biri de holonik üretim sistemleridir (HÜS). Bu tezde, HÜS'in bir uygulaması ajan bazlı simülasyon modeli kullanılarak anlatılmıştır. Gerçekçi bir üretim ortamındaki dinamik süreçlerin yönetimi için gerekli, etkili ve uyarlanabilir kontrol mekanizmaları, dağınık yapay zeka uygulanması içeren çok ajanlı bir yaklaşım ile ele alınmıştır. Ürünler, makineler ve otomatik yönlendirmeli araçlar (AGV) gibi bir üretim sistemi içindeki akıllı ajanlar, tek yük kapasiteli AGV sisteminin ürün alma sırasındaki eşleşme problemini (pick-up dispatching) yönetmek için kendi kendini kontrol eden bir ağ oluşturulmuştur. Bu çalışmanın amacı iki yönlüdür. İlk olarak, çalışmanın, bir AGV'nin her durumda bir sistem hedefi doğrultusunda en iyi ürün seçme kuralını öğrenip öğrenemediğini belirlemesi amaçlanmıştır. AGV ajanlarının amaç doğrultusundaki en iyi ürün seçme kuralını uygulamayı öğrenip öğrenemediğini tespit etmek için ajanlı bazlı bir simülasyon modeli kurulmuştur. Bu çalışmanın ikinci amacı, AGV'lerin öğrenme yetenekleri sayesinde sistemdeki değişikliklere adapte olabildiklerini göstermektir. Sonuçlar, AGV'lerin sistem performansını eniyileyecek ürün seçme kuralını uygulamayı öğrenebildiklerini ve sistemde bir değişiklik olduğunda ve ilk kabul edilen kural başarısız olmaya başladığında başka bir kurala geçebileceklerini göstermektedir. Bulgular, öğrenen bir AGV ajanının kendisini ortamdaki değişikliklere adapte edebildiğini ve sistem mevcut hali için en iyi eylemin uygulanmasını desteklemeyi öğrendiğini ortaya koymaktadır.
Özet (Çeviri)
There are continuous changes such as specification changes, equipment breakdowns, fluctuations in the customer orders that manufacturing systems of the 21st century have to deal with on a daily basis. Consequently, the need for self-adjustability to market requirements has elevated. One of the many methods tailored to the requirements of the production sector is holonic manufacturing systems (HMS).In this thesis, the practical implementation of HMS is described. A multi-agent based approach for distributed artificial intelligence is proposed to generate effective and adaptive control mechanisms for the management of dynamic processes in a realistic manufacturing testbed. Herein, intelligent agents within a manufacturing system such as products, machines, and automated guided vehicles (AGV) create a self-controlling network to manage the pickup-dispatching problem of multiple single-load AGVs. This mid-level shop floor problem is addressed with a reinforcement learning (RL) method. The application potential of Q-learning, a broadly used RL algorithm, to a pickup-dispatching problem is investigated. The aim of this study is twofold. First, the study is intended to determine if an AGV agent is able to learn the best dispatching rule regarding a system goal in various cases. This is experimentally investigated by an agent based simulation model. Second objective of this study is to demonstrate the feasibility of adaptive learning abilities of AGVs. These results principally show that the AGVs are able to learn to practice the best dispatching rule and are able to adopt another rule when the initially adopted rule starts to fail. The findings essentially demonstrate that the learning AGV agent is able to adapt itself to the changes in the environment and can learn to favor the application of the best action in a given state.
Benzer Tezler
- Openflow ağları üzerinde çalışan çıkarsamaya dayalı uçtan uca çokluortam akışlandırma uygulaması
An inference based end-to-end video streaming application running over openflow networks
TUBA UZAKGİDER
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. MÜGE SAYIT
- Precise temperature control for refrigerators
Buzdolaplari için hassas sicaklik kontrolü
MEHMET KERİM PEKER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- Deep reinforcement learning to optimize task performance in human-robot co-manipulation
İnsan-robot birlikte manipülasyonunda, görev performansını optimize etmek için derin pekiştirmeli öğrenme
BERK GÜLER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ÇAĞATAY BAŞDOĞAN
- Deep reinforcement learning for urban modeling: Morphogenesis simulation of self-organized settlements
Derin pekiştirmeli öğrenme ile kentsel modelleme: Kendiliğinden örgütlenen yerleşimlerin morfogenez simülasyonu
HOUSSAME EDDINE HSAIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiMimarlık, Planlama ve Tasarım Ana Bilim Dalı
Assoc. Prof. Dr. BURCU ŞENYAPILI ÖZCAN
Dr. YİĞİT ACAR
- Age of information based flow control in communication networks
Haberleşme ağlarında bilgi yaşına dayalı akış kontrolü
SAJJAD BAGHAEE
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF YUSAL