Ottimizzazione Combinatorica mediante Deep Reinforcement Learning: Sperimentazione nella Logistica di Magazzino.

Magnini, Matteo (2018) Ottimizzazione Combinatorica mediante Deep Reinforcement Learning: Sperimentazione nella Logistica di Magazzino. [Laurea], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [L-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text non accessibile fino al 30 Giugno 2020.
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (1MB) | Contatta l'autore

Abstract

Il Deep Reinforcement Learning acquista sempre più importanza tra gli algoritmi di apprendimento dopo i brillanti risultati ottenuti da DeepMind con AlphaGo e AlphaZero, rispettivamente riuscendo a battere il campione mondiale di Go (2015) e il chess engine Stockfish (2017). Negli ultimi anni sono stati sviluppati maggiormente programmi in grado di giocare a numerosi giochi Atari e, nell'ambito della robotica, di ottenere ottimi risultati nell’autoapprendimento di specifici comportamenti. Sebbene questa nuova tecnologia sia stata applicata con successo in questi ambiti, sono scarse le ricerche inerenti l'utilizzo del Deep Reinforcement Learning su problemi di ottimizzazione combinatorica. Questa tesi si pone l’obiettivo di esplorare una possibile soluzione al problema reale dell’allocazione di prodotti in un magazzino, confrontando i risultati ottenuti con la Ricerca Operativa e con l’allocazione dell’azienda presa in considerazione per comprenderne la bontà. Nel corso di questo lavoro verrà dapprima introdotto il Reinforcement Learning in generale e in particolare il Q-learning. Successivamente verrà mostrato il Deep Reinforcement Learning, con un esempio applicandolo al gioco Catch. Infine sarà presentato il progetto e i risultati ottenuti del Deep Reinforcement Learning applicato avarie istanze del problema di allocazione di prodotti in magazzino.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Magnini, Matteo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum ingegneria informatica
Ordinamento Cds
DM270
Parole chiave
machine learning,deep learning,reinforcement learning,combinatorial optimization,python,quadratic assignment problem,integer programming,keras
Data di discussione della Tesi
14 Dicembre 2018
URI

Altri metadati

Gestione del documento: Visualizza il documento

^