- Titel
- Simulation-based Reinforcement Learning for Production Job Control
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-997173
- Übersetzter Titel (DE)
- Simulations-basiertes verstärkendes Lernen für Produktionsaufträge
- 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/10.25368/2025.254
- Abstract (EN)
- This paper explores simulation-based reinforcement learning for production job control in a single-machine environment with stochastic demand. A SimPy-based discrete-event simulation implements inventory dynamics, while a Gym-compatible interface enables training of reinforcement learning agents. Using Q-learning as a baseline, the study highlights the challenges of applying learning algorithms in such settings, including the need for careful reward shaping, discretization, and environment simplification. Results show that even in simplified scenarios, convergence is slow and sensitive to design choices. The approach offers potential but requires further refinement before it can support complex, real-world production planning tasks.
- Freie Schlagwörter (DE)
- Simulation, Künstliche Intelligenz, Modellierung, Optimierung, Produktionsauftragssteuerung, Ereignissimulation
- Freie Schlagwörter (EN)
- Simulation, Artificial Intelligence, Modelling, Optimisation, production job control, event simulation
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZM 9500
- Publizierende Institution
- Technische Universität Dresden, Dresden
- Förder- / Projektangaben
- Bundesministerium für Bildung und Forschung (BMBF)
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-997173
- Veröffentlichungsdatum Qucosa
- 20.10.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY 4.0