Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

AI2STOW: End-to-End Deep Reinforcement Learning to Construct Master Stowage Plans under Demand Uncertainty

Created by
  • Haebom

저자

Jaike Van Twiller, Djordje Grbic, Rune M{\o}ller Jensen

개요

본 논문은 컨테이너 선적 계획 문제 해결을 위한 End-to-End 심층 강화 학습 모델인 AI2STOW를 제안합니다. 컨테이너 선적 계획은 복잡한 조합 최적화 문제로, Master planning과 Slot planning 두 하위 문제로 나뉘어 해결됩니다. AI2STOW는 수요 불확실성 하에서 전역적 목표와 제약 조건(쌍으로 묶인 블록 적재 패턴 포함)을 고려하여 Master plan을 생성합니다. 실제 선박 규모와 운영 계획 기간을 반영한 시뮬레이션 결과를 통해 AI2STOW가 기존 강화 학습 및 확률적 계획 방법보다 목표 달성 성능과 계산 효율성 면에서 우수함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
심층 강화 학습을 활용하여 컨테이너 선적 계획 문제의 복잡성을 효과적으로 해결할 수 있음을 보여줌.
◦
수요 불확실성을 고려한 실용적인 Master plan 생성 가능.
◦
기존 방법 대비 향상된 목표 달성 성능 및 계산 효율성 확보.
◦
전역적 목표와 제약 조건을 동시에 고려 가능.
•
한계점:
◦
시뮬레이션 데이터에 기반한 결과이며, 실제 운영 환경에서의 성능 검증 필요.
◦
Slot planning 문제에 대한 해결책 제시 부족.
◦
AI2STOW 모델의 일반화 성능 및 다양한 조건에 대한 적용 가능성에 대한 추가 연구 필요.
👍
Made with Slashpage