Deep Q-Learning approaches for stochastic dynamic optimization problems
Stokastik dinamik optimizasyon problemleri için Derin Q-Öğrenme yaklaşımları
- Tez No: 895440
- Danışmanlar: PROF. DR. ONUR KAYA
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, yüksek boyutlu iki farklı optimizasyon probleminin derin pekiştirmeli öğrenme algoritmaları ile çözümüne odaklanılmıştır. Ele alınan ilk problem, raf ömrü kısa ürünlerin dinamik fiyatlandırma ve stok kontrol problemi, ikincisi ise sınırlı kapasiteli kuyruğa sahip tek makinalı bir üretim sisteminde kabul kontrol ve çizelgeleme problemidir. Her iki problem de stokastik bir ortamda dinamik kararlar almayı gerektirmektedir. İlk problemde ürünün raf ömründeki ve ikinci problemde heterojen iş sınıfı sayısındaki artış, problem boyutunu üssel olarak arttırmaktadır. Stokastik bir ortamda durum uzayı boyutu yüksek bir problemin çözümü yaklaşık yöntemler gerektirmektedir. Bu çalışmada, benzer çözüm zorluklarına sahip iki farklı problem, kesikli karar uzaylarında derin Q öğrenme (DQL) algoritması ile çözülmektedir. Problemlere özgü değişiklikler içeren ve pDQL olarak isimlendirilen bir çözüm yaklaşımı önerilmektedir. Önerilen yaklaşım, ilk problem için stokastik çevre karşısında dayanıklı çözümler üretmektedir. İkinci problemde ise algoritmanın yapısından kaynaklanan pozitif yanlılığı önlemeye destek olmaktadır. Sonuç olarak, önerilen yaklaşım, DQL algoritmasına kıyasla daha kısa sürede daha iyi sonuçlar bulabilmektedir. pDQL, ayrıca dinamik programlama (DP) algoritması ve çeşitli sezgisel yaklaşımlar ile karşılaştırılmaktadır. İlk problemde, pDQL algoritması tarafından bulunan sonuçlar DP sonuçlarına ortalama %96.7 yakın ve DQL algoritmasından %8.9 daha iyidir. İkinci problem için, pDQL algoritması DP sonuçlarına ortalama %94.8 yakın ve DQL algoritmasından ortalama %2.9 daha iyidir.
Özet (Çeviri)
In this thesis, two different high-dimensional optimization problems, dynamic pricing and inventory control of perishable products and admission control and scheduling problems, are solved using deep reinforcement learning algorithms. Both problems require dynamic decision making in a stochastic environment. The increasing shelf life of the product in the first problem and the increasing number of heterogeneous job classes in the second problem increase the problem size exponentially. Solving a high-dimensional problem in a stochastic environment requires approximation methods. The Deep Q Learning (DQL) algorithm is used in this study to solve these problems. A solution approach, called pDQL, is proposed with problem-specific modifications. For the first problem, pDQL produces robust solutions in the face of a stochastic environment. For the second problem, it helps to avoid the positive bias due to the structure of the DQL algorithm. As a result, the proposed approach is able to find better results in less time compared to the DQL algorithm. pDQL is also compared to the Dynamic Programming (DP) algorithm and various heuristic approaches. In the first problem, the results found by the pDQL algorithm are on average 96.7% closer to the DP results, and 8.9% better than the DQL algorithm. For the second problem, the pDQL algorithm is on average 94.8% closer to the DP results and on average 2.9% better than the DQL algorithm.
Benzer Tezler
- Pekiştirmeli öğrenme ile insansız hava aracı rotalaması
Unmanned aerial vehicle routing with reinforcement learning
NİHAT MERT UĞURTÜRK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErzincan Binali Yıldırım ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
PROF. DR. AHMET BARAN
- A deep reinforcement learning modelling approach for (s, S) inventory control problem
Envanter yönetimi için derin takviyeli öğrenme yaklaşımı
GÜRAY KILINÇ
Yüksek Lisans
İngilizce
2020
Endüstri ve Endüstri MühendisliğiYaşar ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BANU YETKİN EKREN
- Pasif optik ağlarda performans tahmini içinderin öğrenme ve nesnelerin interneti (IoT)
Integration of deep learning andinternet of things (IoT) forperformance predication in passiveoptical networks
ALI GHANIM MUSLIM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Elektronik harp sistemlerinde düşük sinyal gürültü oranlarında lpı radar sinyallerinin tespiti ve sınıflandırılması için yapay zekâ yaklaşımları
Artificial intelligence approaches for the detection and classification of lpi radar signals in low signal-to-noise ratio conditions in electronic warfare systems
ZEYNEP HASALAN
Yüksek Lisans
Türkçe
2026
Savunma ve Savunma TeknolojileriSelçuk ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ FATİH ALPASLAN KAZAN
- Derin pekiştirmeli öğrenme ile elektrikli araçlarda dinamik rotalama
Dynamic routing via deep reinforcement learning for electrical vehicles
MEHMET BİLGE HAN TAŞ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL ÖZKAN