基于深度强化学习的多重限制的动态请求运输框架.

科学领域:

• 机器人和自动化 机器人和自动化
• 人工智能的人工智能
• 物流和供应链管理的物流和供应链管理.

背景情况:

• 无人驾驶飞行器 (UAV) 在各个领域变得越来越重要,对技术进步的需求也越来越大.
• 在紧急情况下及时交付紧急医疗用品至关重要,但目前的无人机面临着有效载荷和电池限制.
• 动态和不确定的交付请求对基于无人机的高效物流构成了挑战.

研究的目的:

• 开发一个新的框架,以优化在动态环境中基于无人机的紧急医疗交付.
• 解决无人机的局限性,包括有效载荷容量和电池寿命.
• 为了管理以前未知的交付请求与特定的时间限制.

主要方法:

• 使用深度强化学习 (DRL) 算法:深度Q网络 (DQN),近接政策优化 (PPO) 和优势行为者-关键 (A2C).
• 开发了一个框架来处理动态请求的包,未知来源-目的地对和交付时间间隔.
• 实现了扩展的Brute-force (BF) 算法进行比较,假设对请求和环境的完全先验知识.

主要成果:

• 与DQN和A2C相比,近接政策优化 (PPO) 展示了卓越的培训性能,表现出更快,更稳定的趋同.
• 在优化交付路线方面,PPO算法取得了与BF算法相当的成功率.
• 实验结果验证了拟议的DRL框架在管理不确定的和动态的交付场景中的有效性.

结论:

• 拟议的DRL框架,特别是使用PPO,为优化通过无人机紧急医疗分娩提供了有效的解决方案.
• PPO提供了一种强大而有效的方法来处理动态交付请求和无人机约束的复杂性.
• 这项研究强调了人工智能驱动物流的潜力,通过先进的无人机操作来增强应急响应能力.