A reinforcement learning approach for adaptive dispatching rule acquisition for automated guided vehicles

YASEMİN AYLİN AKTÜRK

A reinforcement learning approach for adaptive dispatching rule acquisition for automated guided vehicles

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: YASEMİN AYLİN AKTÜRK

Danışman: FİKRET ÜMİT BİLGE

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

21. yüzyılın üretim sistemlerinin günlük olarak karşılaştığı şartname değişiklikleri, ekipman arızaları, müşteri siparişlerindeki dalgalanmalar gibi sürekli ve dinamik değişiklikler bulunmaktadır. Bu sebeple, üreticilerin pazar gereksinimlerine göre kendi kendini ayarlayabilme ihtiyacı artmıştır. Üretim sektörünün gereksinimlerine uygun birçok yöntemden biri de holonik üretim sistemleridir (HÜS). Bu tezde, HÜS'in bir uygulaması ajan bazlı simülasyon modeli kullanılarak anlatılmıştır. Gerçekçi bir üretim ortamındaki dinamik süreçlerin yönetimi için gerekli, etkili ve uyarlanabilir kontrol mekanizmaları, dağınık yapay zeka uygulanması içeren çok ajanlı bir yaklaşım ile ele alınmıştır. Ürünler, makineler ve otomatik yönlendirmeli araçlar (AGV) gibi bir üretim sistemi içindeki akıllı ajanlar, tek yük kapasiteli AGV sisteminin ürün alma sırasındaki eşleşme problemini (pick-up dispatching) yönetmek için kendi kendini kontrol eden bir ağ oluşturulmuştur. Bu çalışmanın amacı iki yönlüdür. İlk olarak, çalışmanın, bir AGV'nin her durumda bir sistem hedefi doğrultusunda en iyi ürün seçme kuralını öğrenip öğrenemediğini belirlemesi amaçlanmıştır. AGV ajanlarının amaç doğrultusundaki en iyi ürün seçme kuralını uygulamayı öğrenip öğrenemediğini tespit etmek için ajanlı bazlı bir simülasyon modeli kurulmuştur. Bu çalışmanın ikinci amacı, AGV'lerin öğrenme yetenekleri sayesinde sistemdeki değişikliklere adapte olabildiklerini göstermektir. Sonuçlar, AGV'lerin sistem performansını eniyileyecek ürün seçme kuralını uygulamayı öğrenebildiklerini ve sistemde bir değişiklik olduğunda ve ilk kabul edilen kural başarısız olmaya başladığında başka bir kurala geçebileceklerini göstermektedir. Bulgular, öğrenen bir AGV ajanının kendisini ortamdaki değişikliklere adapte edebildiğini ve sistem mevcut hali için en iyi eylemin uygulanmasını desteklemeyi öğrendiğini ortaya koymaktadır.