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

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.