Bereits zugänglich: Preprint-Publikation für Schlably-Framework über arXiv veröffentlicht
Bereits zugänglich: Preprint-Publikation für Schlably-Framework über arXiv veröffentlicht
In dem YouTube-Video werden unter anderem folgende Funktionen erklärt:
• Generierung eigener Scheduling-Instanzen
• Ausbildung eines Reinforcement-Learning-Agenten
• Evaluation eines Reinforcement-Learning-Agenten
Die Forschung zu Deep Reinforcement Learning (DRL) basierter Produktionsplanung (PS) hat in den letzten Jahren viel Aufmerksamkeit erlangt, vor allem aufgrund der hohen Nachfrage nach optimierten Planungsproblemen in verschiedenen Industriebereichen. Zahlreiche Studien werden als eigenständige Experimente durchgeführt und veröffentlicht, die sich oft nur geringfügig in Bezug auf Problemstellungen und Lösungsansätze unterscheiden. Der programmatische Kern dieser Experimente ist in der Regel sehr ähnlich.
Trotz dieser Tatsache konnte bisher kein standardisierter und belastbarer Rahmen für die Erprobung von PS-Problemen mit DRL-Algorithmen geschaffen werden. An dieser Stelle kommt Schlably ins Spiel. Schlably ist ein Python-basiertes Framework, das Forschern ein umfassendes Toolset zur Verfügung stellt, um die Entwicklung von PS-Lösungsstrategien auf Basis von DRL zu erleichtern. Es eliminiert den redundanten Overhead, den die Erstellung eines robusten und flexiblen Backbones erfordert, und erhöht die Vergleichbarkeit und Wiederverwendbarkeit der durchgeführten Forschungsarbeiten.
Schlably ist ein Ergebnis des vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderten Forschungsprojekts AlphaMES.
Weitere Infos zum Schwerpunkt Deep Reinforcement Learning in der Produktionsplanung
Neueste Beiträge