Reinforcement learning approaches on elevator group control problem
Asansör grup kontrol problemi üzerine pekiştirmeli öğrenme yaklaşımları
- Tez No: 929502
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNAN YILDIRIM, DOÇ. DR. AHMET ONAT
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Asansörler, gökdelenlerin işlevselliğinde kritik bir rol oynamaktadır. Gökdelen sayısının artmasıyla birlikte, verimli asansör sistemlerine olan ihtiyaç da artmak- tadır. Geleneksel tek asansörlü trafik kontrol sistemleri, yüksek binalar için yeter- siz kalmakta ve bu durum, çoklu asansör trafik kontrol sistemlerinin gerekliliğini göstermektedir. Bu sistemler, her birinde bir veya daha fazla asansör kabini bu- lunan birden fazla şaft içerir. Etkili asansör grup kontrolü stratejileri, asansörlerin yolcu bekleme sürelerini en aza indirmek için birlikte çalışmasını sağlamak açısından faydalıdır. Bu tez, asansör grup kontrol sistemlerinin performansını artırmak için pekiştirmeli öğrenme metodlarının uygulanmasını incelemektedir. Asansör kabinlerinin zaman- laması, bilinen optimal bir çözümün olmadığı, NP-Zor bir problem olduğu için, öğrenme temelli bir yaklaşım, sezgisel yöntemlere alternatif olarak umut verici bir çözüm sunmaktadır. Bu çalışmada, yolcu çağrılarını en uygun asansör kabinine dinamik olarak atayarak yolcu bekleme sürelerini azaltmayı ve genel sistem ver- imliliğini artırmayı amaçlayan iki derin Q-ağı (DQN) tekniği önerilmektedir.
Özet (Çeviri)
Elevators play a crucial role in the functionality of skyscrapers. As the number of skyscrapers increases, so does the demand for efficient elevator systems. Traditional single lift traffic control systems are inadequate for high-rise buildings, leading to the adoption of multiple lift traffic control systems. These systems feature multiple shafts, each containing one or more elevator cars. Effective elevator group con- trol (EGC) strategies are essential to ensure elevators work together to minimize passenger waiting times. This thesis explores the application of reinforcement learning (RL) to enhance the performance of elevator group control systems (EGCS). Given the NP-hard nature of scheduling elevator cars, where no known optimal solution exists, a learning-based approach offers a promising alternative to heuristic methods. This thesis proposes two deep Q-network (DQN) techniques that enable the EGCS to dynamically assign passenger calls to the most suitable elevator car, aiming to reduce passenger waiting times and improve overall system efficiency.
Benzer Tezler
- Betonarme konut tipi bir yapının taşıma gücüne göre bilgisayarla projelendirilmesi
Başlık çevirisi yok
NİLGÜN YAZICI
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET DURMUŞ
- Madencilik ölçmelerinde kuyu cidarlarındaki deformasyonların saptanması ve bazı öneriler
Başlık çevirisi yok
ENGİN TEKİN