- Titel
- Sensitivity analysis of EncodedRL
- Untertitel
- Assessing the impact of state compression levels on dynamic scheduling performance
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-996532
- Übersetzter Titel (DE)
- Sensitivitätsanalyse von EncodedRL : Untersuchung der Auswirkungen von Komprimierungsstufen auf die Leistungsfähigkeit der dynamischen Maschinenbelegungsplanung
- Konferenz
- 21. ASIM-Fachtagung Simulation in Produktion und Logistik. Dresden, Germany, 24. bis 26. September 2025
- Quellenangabe
- Simulation in Produktion und Logistik 2025
Herausgeber: Sebastian Rank
Herausgeber: Mathias Kühn
Herausgeber: Thorsten Schmidt
Erscheinungsort: Dresden
Verlag: Technische Universität Dresden, Professur für Technische Logistik
Erscheinungsjahr: 2025
ISBN: 978-3-86780-806-4 - Erstveröffentlichung
- 2025
- DOI
- https://doi.org/10.25368/2025.240
- Abstract (EN)
- Modern industrial environments face the challenge of enhancing efficiency while managing increasing complexity and uncertainty. Reinforcement learning (RL) offers a promising approach to adaptive decision-making. A fundamental prerequisite is the use of simulation. This provides a safe, controllable, and reproducible environment where agents can explore, learn from failure, and adapt to dynamic production conditions without risking real-world disruptions. However, deploying RL in production remains challenging due to complex problem spaces, large neural networks, and high computational costs. This study builds on EncodedRL, a method that combines unsupervised state space compression via autoencoders with multiagent RL to reduce model complexity while retaining decision-relevant information. While prior results were encouraging, the impact of compression levels on policy quality remained unclear. The present study addresses this gap through systematic experimentation. Results indicate that moderate compression significantly reduces training time while improving scheduling performance. These findings support scalable, resource-efficient RL applications in industrial settings.
- Freie Schlagwörter (DE)
- Simulation, Künstliche Intelligenz, Modellierung, Optimierung, Reinforcement Learning (RL), Modellkomplexität
- Freie Schlagwörter (EN)
- Simulation, Artificial Intelligence, Modelling, Optimisation, Reinforcement Learning (RL), model complexity
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZM 9500
- Publizierende Institution
- Technische Universität Dresden, Dresden
- Förder- / Projektangaben
- European Social Fund Plus (ESF Plus)
Produktionssysteme mit Menschen und Technik als Team
(ProMenTaT)
ID: 100649455 - Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-996532
- Veröffentlichungsdatum Qucosa
- 18.10.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY 4.0