2D 불규칙 포장 최적화: 밀집 보상을 가진 심층 강화 학습

이 논문은 물류를 위한 심층 강화 학습(Deep RL)을 사용하여 2D 불규칙 포장 문제를 해결하는 방법을 소개합니다. 우리의 방법은 컨테이너 내에서 최적의 배치를 예측하도록 훈련된 Q 에이전트를 사용하여 가용 공간을 최대화합니다. 이전의 심층 RL 알고리즘과 달리, 우리의 방법은 각 포장 단계에서 밀집 보상 함수를 도입하여 즉각적인 피드백을 제공하고 학습을 가속화합니다. 우리가 아는 한, 이는 2D 불규칙 포장 문제를 해결하기 위해 밀집 보상을 사용하는 첫 번째 접근 방식입니다. 초기 연구를 바탕으로, 우리는 Deep Q-러닝 접근 방식을 강화하기 위해 Double Deep Q-Network (DDQN) 프레임워크를 통합하여 깊은 신경망을 개선하고 과대 추정 편향을 줄이며 의사결정 신뢰성을 향상시킵니다. 시뮬레이션 결과는 온라인 2D 불규칙 포장 작업을 완료하는 데 있어 방법의 효과를 보여주며, 유망한 부피 효율성과 포장된 조각 메트릭을 달성하고 있습니다. 이 연구는 우리의 초기 발견을 확장하며 DDQN과 밀집 보상의 실제 중요성을 강조하여 2D 불규칙 포장 문제 해결을 진전시킵니다. 이러한 발전은 심층 학습의 응용 범위를 넓힐 뿐만 아니라 현실 세계의 물류 문제에 대한 실질적인 중요성을 지닙니다.