تطبيق التعلم المعزز لتعلم أفضل الشبكات للتمزيق وإعادة التوجيه في التوجيه العالمي

يستخدم المصممون الفيزيائيون عادةً الأساليب الاستدلالية لحل المشكلات المعقدة في التوجيه العالمي. ومع ذلك، لا يمكن تكييف هذه الحلول الاستدلالية مع متطلبات التصنيع المتغيرة باستمرار، ويمكن أن تحد خبرة المصممين وإبداعهم من فعاليتها. يُعتبر التعلم المعزز (RL) طريقة فعالة للتعامل مع مشاكل الأمثلية التسلسلية نظرًا لقدرته على التكيف والتعلم من خلال التجربة والخطأ. ومن ثم، يمكن للتعلم المعزز إنشاء سياسات قادرة على التعامل مع المهام المعقدة. تقدم هذه الدراسة إطار عمل للتعلم المعزز للتوجيه العالمي يتضمن نموذجًا ذاتيًا للتعلم يُسمى RL-Ripper. الوظيفة الأساسية لـ RL-Ripper هي تحديد أفضل الشبكات التي تحتاج إلى التمزيق وإعادة التوجيه من أجل تقليل عدد الانتهاكات القصيرة الإجمالية. في هذه الدراسة، نظهر أن نهج إطار العمل المقترح RL-Ripper يمكن أن يقلل من عدد الانتهاكات القصيرة لمعايير ISPD 2018 بالمقارنة مع جهاز التوجيه العالمي المتقدم CUGR. علاوة على ذلك، قلل RL-Ripper العدد الإجمالي للانتهاكات القصيرة بعد الجولة الأولى من التوجيه المفصل مقارنةً بالخط الأساسي، مع الحفاظ على الأداء في طول الأسلاك، وVIA، والوقت المستغرق. التأثير الرئيسي للإطار المقترح هو تقديم نهج جديد قائم على التعلم للتوجيه العالمي الذي يمكن تكراره للتقنيات الأحدث.