文献

J-GLOBAL ID：202002249085152379   整理番号：20A2006872

化学生産スケジューリングのための深層強化学習アプローチ【JST・京大機械翻訳】

A deep reinforcement learning approach for chemical production scheduling

著者 (5件)： Hubbs Christian D. (Department of Chemical Engineering, Carnegie Mellon University, Pittsburgh, PA 15123, United States) ,  Li Can (Department of Chemical Engineering, Carnegie Mellon University, Pittsburgh, PA 15123, United States) ,  Sahinidis Nikolaos V. (Department of Chemical Engineering, Carnegie Mellon University, Pittsburgh, PA 15123, United States) ,  Grossmann Ignacio E. (Department of Chemical Engineering, Carnegie Mellon University, Pittsburgh, PA 15123, United States) ,  Wassick John M. (Dow Chemical, Digital Fulfillment Center, Midland, MI 48667, United States)
資料名： Computers & Chemical Engineering  (Computers & Chemical Engineering)
巻： 141  ページ： Null  発行年： 2020年 
JST資料番号： H0199C  ISSN： 0098-1354  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究は,不確実性を説明し,オンライン,動的スケジューリングを成し遂げるために,化学生産スケジューリングプロセスへの深層強化学習の適用を検討し,後退水平ベースで各時間間隔をスケジュールする混合整数線形計画法(MILP)モデルによる結果をベンチマークした。異なるアプローチを比較するための事例研究として工業例を用いた。結果は,強化学習法が,ナイーブMILP手法よりも優れ,収益性,在庫レベル,および顧客サービスに関して,縮小水平MILPアプローチと競合することを示した。強化学習システムの速度と柔軟性は,スケジューリングシステムのリアルタイム最適化を達成するために有望であるが,データ駆動深層強化学習法とモデルベースの数学的最適化アプローチの統合を追求する理由がある。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *スケジューリング ,  不確実性 ,  在庫量 ,  事例研究 ,  ベンチマーク ,  *強化学習
準シソーラス用語： 混合整数線形計画法 ,  採算性 ,  顧客サービス ,  モデルベース ,  オンライン ,  データ駆動 ,  動的スケジューリング ,  *深層強化学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  強化学習 ,  最適化 ,  スケジューリング ,  確率的プログラミング

分類 (2件)： 化学プロセスの制御  (XC02020N) ,  化学プロセスの解析  (XC01030R)

タイトルに関連する用語 (3件)： 化学 ,  スケジューリング ,  深層強化学習