用于集装箱装载的进化强化学习方法
人工智能
2018-05-18 v1
摘要
从堆场将集装箱装载到船上，是港口作业的重要环节。寻找最优的集装箱装载序列，已知为计算困难问题，是组合优化的一个例子，这导致实践中采用简单启发式方法。本文提出一种结合进化策略与强化学习（RL）技术以逼近最优解的方法。基于RL的智能体使用策略梯度方法、进化奖励策略以及一个优良（非最优）解池来寻找近似解。我们发现RL智能体学习到的近最优解优于启发式解。我们还观察到，配备解池的RL智能体比无池的RL智能体对未见问题具有更好的泛化能力。我们在合成数据以及取自集装箱码头的真实世界问题的子集上展示了结果。结果验证了我们的方法相较现有启发式解表现更优，且能更好地适应未见问题。
引用
@article{arxiv.1805.06664,
title = {Evolutionary RL for Container Loading},
author = {S Saikia and R Verma and P Agarwal and G Shroff and L Vig and A Srinivasan},
journal= {arXiv preprint arXiv:1805.06664},
year = {2018}
}
备注
6 Pages, 2 figures, accepted in ESANN 2018