.png){kind=icon}
返回
Reinforcement Learning-based Giza Pyramids Construction algorithm for solving layout design problem: a systematic approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08126-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设施布局设计问题是一个在计算机科学和运筹学领域内公认的挑战，旨在确定设备的最优排列以最大化运营效率。鉴于其计算复杂性，有效的优化技术对于解决该问题至关重要。元启发式方法已作为一种强大的工具出现，通过减少计算开销和加速求解时间来应对此类NP难问题。本文提出了一种基于吉萨金字塔建造（GPC）算法的系统化设施布局优化方法。此外，还引入了一种新颖且改进的GPC变体——基于强化学习的GPC（RLGPC），该变体利用强化学习来提升搜索效率和解决方案质量。为验证该方法，构建了12个基准问题实例，并与七种先进的元启发式算法进行了比较评估。此外，还设计了一种通用的移动和旋转算子以进一步优化解决方案的精度。评估复杂布局约束的计算强度以及RL驱动的元启发式算法的固有复杂性，均需要高性能计算资源以实现实际应用。所提出的算法被设计为可并行化，使其成为在超级计算基础设施上解决大规模工业布局问题的合适候选方案。实验结果和严格的统计分析表明，所提出的基于强化学习的GPC算法在解决方案质量和收敛速度方面优于竞争方法。统计分析还显示，所提出的RLGPC算法在Friedman检验中获得了最佳平均排名（平均排名为1.04），并在12个基准实例中的11个中优于所有竞争算法。包括Holm事后检验在内的严格统计分析证实了这些改进的显著性，大多数比较的p值<0.00001。研究结果提示，基于GPC的方法为解决设施布局设计问题提供了一个有效、可扩展且计算高效的框架，使其成为现实工业应用中的一项有前景的工具。
Keyword:
Giza Pyramids Construction (GPC) algorithm
Facility layout problem
Metaheuristic optimization
Systematic approach
Parameter control
Reinforcement Learning (RL)
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
A self-learning whale optimization algorithm based on reinforcement learning for a dual-resource flexible job shop scheduling problem基于强化学习的自学习鲸鱼优化算法在双资源柔性作业车间调度问题中的应用
PREAI
分享收藏Two competitive hybridization approaches based on combining of Giza Pyramids Construction with Particle Swarm Optimization for solving global optimization problems两种基于将吉萨金字塔构造与粒子群优化相结合的竞争性杂交方法，用于求解全局优化问题
PREAI
分享收藏A Novel Hybrid Metaheuristic Algorithm for Optimization of Construction Management Site Layout Planning.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏Energy-Saving Oriented Manufacturing Workshop Facility Layout: A Solution Approach Using Multi-Objective Particle Swarm OptimizationSUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Combining metaheuristic search and simulation to deal with capacitated aisles in facility layoutNEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容