A reinforcement learning approach for adaptive dispatching rule acquisition for automated guided vehicles
Otomatik yönlendirmeli araçlara takviyeli öğrenme yaklaşımı ile adaptif dağıtım kuralları kazandırılması
- Tez No: 603313
- Danışmanlar: DOÇ. DR. GÖNENÇ YÜCEL, PROF. DR. FİKRET ÜMİT BİLGE
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Otomatik rehberli araçlar, Takviyeli öğrenme, Automated quide vehicle, Reinforced learning
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
21. yüzyılın üretim sistemlerinin günlük olarak karşılaştığı şartname değişiklikleri, ekipman arızaları, müşteri siparişlerindeki dalgalanmalar gibi sürekli ve dinamik değişiklikler bulunmaktadır. Bu sebeple, üreticilerin pazar gereksinimlerine göre kendi kendini ayarlayabilme ihtiyacı artmıştır. Üretim sektörünün gereksinimlerine uygun birçok yöntemden biri de holonik üretim sistemleridir (HÜS). Bu tezde, HÜS'in bir uygulaması ajan bazlı simülasyon modeli kullanılarak anlatılmıştır. Gerçekçi bir üretim ortamındaki dinamik süreçlerin yönetimi için gerekli, etkili ve uyarlanabilir kontrol mekanizmaları, dağınık yapay zeka uygulanması içeren çok ajanlı bir yaklaşım ile ele alınmıştır. Ürünler, makineler ve otomatik yönlendirmeli araçlar (AGV) gibi bir üretim sistemi içindeki akıllı ajanlar, tek yük kapasiteli AGV sisteminin ürün alma sırasındaki eşleşme problemini (pick-up dispatching) yönetmek için kendi kendini kontrol eden bir ağ oluşturulmuştur. Bu çalışmanın amacı iki yönlüdür. İlk olarak, çalışmanın, bir AGV'nin her durumda bir sistem hedefi doğrultusunda en iyi ürün seçme kuralını öğrenip öğrenemediğini belirlemesi amaçlanmıştır. AGV ajanlarının amaç doğrultusundaki en iyi ürün seçme kuralını uygulamayı öğrenip öğrenemediğini tespit etmek için ajanlı bazlı bir simülasyon modeli kurulmuştur. Bu çalışmanın ikinci amacı, AGV'lerin öğrenme yetenekleri sayesinde sistemdeki değişikliklere adapte olabildiklerini göstermektir. Sonuçlar, AGV'lerin sistem performansını eniyileyecek ürün seçme kuralını uygulamayı öğrenebildiklerini ve sistemde bir değişiklik olduğunda ve ilk kabul edilen kural başarısız olmaya başladığında başka bir kurala geçebileceklerini göstermektedir. Bulgular, öğrenen bir AGV ajanının kendisini ortamdaki değişikliklere adapte edebildiğini ve sistem mevcut hali için en iyi eylemin uygulanmasını desteklemeyi öğrendiğini ortaya koymaktadır.
Özet (Çeviri)
There are continuous changes such as specification changes, equipment breakdowns, fluctuations in the customer orders that manufacturing systems of the 21st century have to deal with on a daily basis. Consequently, the need for self-adjustability to market requirements has elevated. One of the many methods tailored to the requirements of the production sector is holonic manufacturing systems (HMS).In this thesis, the practical implementation of HMS is described. A multi-agent based approach for distributed artificial intelligence is proposed to generate effective and adaptive control mechanisms for the management of dynamic processes in a realistic manufacturing testbed. Herein, intelligent agents within a manufacturing system such as products, machines, and automated guided vehicles (AGV) create a self-controlling network to manage the pickup-dispatching problem of multiple single-load AGVs. This mid-level shop floor problem is addressed with a reinforcement learning (RL) method. The application potential of Q-learning, a broadly used RL algorithm, to a pickup-dispatching problem is investigated. The aim of this study is twofold. First, the study is intended to determine if an AGV agent is able to learn the best dispatching rule regarding a system goal in various cases. This is experimentally investigated by an agent based simulation model. Second objective of this study is to demonstrate the feasibility of adaptive learning abilities of AGVs. These results principally show that the AGVs are able to learn to practice the best dispatching rule and are able to adopt another rule when the initially adopted rule starts to fail. The findings essentially demonstrate that the learning AGV agent is able to adapt itself to the changes in the environment and can learn to favor the application of the best action in a given state.
Benzer Tezler
- A reinforcement learning-based approach for dynamic privacy protection in genomic data sharing beacons
Genomik veri paylaşım protokolü için dinamik gizlilik korumasına yönelik pekiştirmeli öğrenme tabanlı bir yaklaşım
MASOUD POORGHAFFAR AGHDAM
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. ABDULLAH ERCÜMENT ÇİÇEK
- Adaptıve parameter optımızatıon for reınforcement learnıng-based spark job schedulıng
Pekiştirmeli öğrenme tabanlı spark iş zamanlaması için parametre uyarlama
BURAK ŞEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT MANGUOĞLU
- A model based flight control system design approach for micro aerial vehicles using integrated flight testing and hil simulations
Küçük boyutlu insansız hava araçları üzerinde sistem tanılama, uçuş kontrol sistem tasarımı ve donanım ile benzetim uygulamaları
BURAK YÜKSEK
Doktora
İngilizce
2019
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
- A framework for design and personalization of digital, just-in-time, adaptive interventions
Dijital, anlık, uyarlanabilir müdahalelerin dizayn ve kişiselleştirilmesine yönelik bir sistem
SUAT GÖNÜL
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET COŞAR
- Modulating reservoir dynamics with reinforcement learning for efficient robot skill generation
Verimli robot becerisi üretimi için pekiştirmeli öğrenme ile rezervuar dinamiklerinin modüle edilmesi
ZAHRA KOULAEİZADEH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiYapay Zeka Ana Bilim Dalı
PROF. DR. ERHAN ÖZTOP