.png){kind=icon}
返回
Optimizing Markov decision process state design for deep reinforcement learning manufacturing scheduling using Bayesian optimization
.png){kind=icon}
OA
AI
DOI：10.1093/jcde/qwaf100.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了贝叶斯优化在马尔可夫决策过程应用于生产调度问题时的特征选择应用。由于缺乏显式目标值和调度环境的动态特性，传统的监督学习特征选择方法不适用。为解决此问题，提出了一种双层优化框架，其中贝叶斯优化在顶层进行特征选择，强化学习在底层进行评估。在动态柔性作业车间和薄膜晶体管液晶显示器生产调度环境中进行的实验结果表明，该框架通过聚焦于重要特征，降低了计算复杂度，并提升了决策效果。研究发现强调了将状态表示与调度动态对齐的重要性，并为复杂环境下系统性特征选择的研究奠定了基础。
Keyword:
Bayesian optimization
deep reinforcement learning
production scheduling
Markov decision process
feature selection
manufacturing optimization
期刊
IF:
6.1
论文数:
401
被引数:
3.2K
机构
引用论文
.png){kind=icon}
A two-stage hybrid flowshop scheduling problem in machine breakdown condition机器故障条件下的两阶段混合flowshop调度问题
PREAI
分享收藏Deep reinforcement learning for job shop scheduling problems: A comprehensive literature review作业车间调度问题的深度强化学习：一项全面的文献综述
PREAI
分享收藏
分享收藏
查看更多内容