شبیه سازی تخصیص کامیون به بیل در معادن روباز با رویکرد یادگیری تقویتی

هدف از این پژوهش ارائه مدل ترکیبی از شبیه سازی و یادگیری تقویتی برای مدیریت بهینه تخصیص بیل ها و کامیون ها در یک محیطمعدنی است. کد این مدل با استفاده از کتابخانه های مختلف پایتون مانند simpy برای شبیه سازی رویدادهای گسسته و numpy برایانجام محاسبات عددی کار می کند. هدف اصلی این کد بهینه سازی تخصیص کامیون ها به بیل ها برای حداکثر کردن بهره وری در حمل ونقل مواد معدنی است. در این شبیه سازی، پنج بیل و ده کامیون وجود دارد که هر کدام نرخ های بارگیری و مسافرت مشخصی دارند. ایننرخ ها به عنوان پارامترهای ورودی به شبیه سازی داده می شون د و برای هر بیل و کامیون متفاوت هستند. همچنین، احتمال خرابی برای هربیل و کامیون وجود دارد که در شبیه سازی در نظر گرفته شده است. نتایج نشان می دهند که مدل یادگیری تقویتی با استفاده از الگوریتمQ-learning قادر است تا تخصیص بهینه کامیون ها به بیل ها را یاد بگیرد و بهترین عملکرد را نسبت به دو مدل ساده تر داشته باشد. اینمدل با استفاده از به روزرسانی مقادیر Q و یادگیری از تجربیات گذشته، سیاستی بهینه می آموزد که منجر به بیشترین تعداد بارگیری هایموفق می شود و بهره وری کلی سیستم را افزایش می دهد.

کلیدواژه ها:

شبیه سازی ، تخصیص ، کامیون ، معادن روباز ، یادگیری تقویتی ، بهره وری