.png){kind=icon}
返回
Multitool Drilling Path Optimization by Multiagent Reinforcement Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TII.2025.3563525.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在孔加工中，钻削路径优化（DPO）通过钻削工序的序列化策略来缩短刀具路径长度，从而在提高生产效率方面发挥着关键作用。然而，现有的DPO模型大多忽略了预钻孔尺寸变化的影响，导致刀具更换过多和无效的刀具移动，这限制了其有效性，无法在实际生产环境中完全最大化效率。为解决这一挑战，我们建立了一个实用模型：带决策的多刀具钻削路径优化（MTdDPO），该模型允许预钻孔尺寸可变而非固定。为求解MTdDPO，我们开发了一种新颖的多智能体强化学习（MARL）方法，命名为MTdDPO的MARL（MM）。在MM中，我们将需要预钻孔的孔作为智能体，并整合了一种特殊设计的社会属性（SA）机制，使智能体能够感知与其他智能体的几何关系，从而增强其决策能力。此外，分析了MM的收敛性以证明其理论可行性。最后，通过在八个不同规模的实际工件上的性能比较、迭代和收敛曲线分析，验证了MM方法的有效性、优越性和实用性，以及SA机制的合理性。
Keyword:
Combinatorial optimization
convergence analysis
drilling path optimization (DPO)
multiagent reinforcement learning (MARL)
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
.png){kind=icon}
Path optimization for multi-axis EDM drilling of combustor liner cooling holes using SCGA algorithm
PREAI
分享收藏
查看更多内容