面向多深储存系统高效检索的拓扑感知深度强化学习
机器学习
2025-10-10 v2 人工智能
摘要
在现代工业和物流环境中，快速的同城配送服务的快速扩张，提升了将高效率与高密度储存系统相结合的需求。多深自主车辆储存检索系统（Multi-deep Autonomous Vehicle Storage and Retrieval Systems, AVS/RS）是实现更高储存密度的可行方案。然而，这些系统在检索操作中面临显著挑战，由于车道阻塞。常规做法是将特征相似的物品存储在单车道中，但这种策略限制了多深储存系统的灵活性和适应性。本文提出一种基于深度强化学习的框架，以解决多深储存系统中异构物品配置下的检索问题。每个物品都关联特定的到期日期，目标是最小化总延误。为有效捕捉系统的拓扑结构，本文引入基于图的状态表示，集成物品属性与多深仓库的局部拓扑结构。为处理该表示，设计了一种新型神经网络架构，将图神经网络（Graph Neural Network, GNN）与Transformer模型相结合。GNN对所有直接可达物品的拓扑信息和物品特性进行编码生成嵌入表示，而Transformer将这些嵌入映射到全局优先级分配。Transformer的强大泛化能力使本方法可适用于布局多样化的储存系统。大量数值实验，包括与启发式方法的比较，证明了所提出神经网络架构的优越性以及训练智能体有效优化检索延误的有效性。
关键词
引用
@article{arxiv.2506.14787,
title = {Topology-Aware and Highly Generalizable Deep Reinforcement Learning for Efficient Retrieval in Multi-Deep Storage Systems},
author = {Funing Li and Yuan Tian and Ruben Noortwyck and Jifeng Zhou and Liming Kuang and Robert Schulz},
journal= {arXiv preprint arXiv:2506.14787},
year = {2025}
}