Ein Ansatz des tiefen verstärkenden Lernens für die Planung der chemischen Produktion

Diese Arbeit untersucht die Anwendung von tiefem verstärkendem Lernen in einem Prozess zur Planung der chemischen Produktion, um Unsicherheiten Rechnung zu tragen und eine online, dynamische Planung zu erreichen. Die Ergebnisse werden mit einem gemischt-ganzzahligen linearen Programmierungsmodell (MILP) verglichen, das jeden Zeitintervall auf einer sich zurückziehenden Horizontbasis plant. Ein industrielles Beispiel wird als Fallstudie verwendet, um die unterschiedlichen Ansätze zu vergleichen. Die Ergebnisse zeigen, dass die Methode des verstärkenden Lernens die naïven MILP-Ansätze übertrifft und konkurrenzfähig mit einem schrumpfenden Horizont-MILP-Ansatz in Bezug auf Rentabilität, Lagerbestände und Kundendienst ist. Die Geschwindigkeit und Flexibilität des verstärkenden Lerngsystems ist vielversprechend für die Erreichung einer Echtzeitoptimierung eines Planungssystems, aber es gibt Gründe, die Integration von datengestützten Methoden des tiefen verstärkenden Lernens und modellbasierten mathematischen Optimierungsansätzen zu verfolgen.