- Titel
- Optimization of Material Flows in Intralogistics Using Deep Reinforcement Learning for Autonomous Transport Systems
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-997871
- Übersetzter Titel (DE)
- Optimierung von Materialflüssen in der Intralogistik durch Deep Reinforcement Learning für autonome Transportsysteme
- 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/10.25368/2025.283
- Abstract (EN)
- This study explores the use of a Deep Q-Network (DQN) agent to optimize order allocation strategies within warehouse systems, aiming to enhance overall operational efficiency. The DQN agent employs reinforcement learning to improve decision-making processes. Results demonstrate that the DQN agent effectively reduces schedule violations (Terminverletzungen) and buffer overflows (Pufferverletzungen) to very low levels, thereby significantly improving the efficiency of warehouse operations.
- Freie Schlagwörter (DE)
- Simulation, Künstliche Intelligenz, Modellierung, Optimierung, Deep Q-Network (DQN)-Agenten, Lagersysteme
- Freie Schlagwörter (EN)
- Simulation, Artificial Intelligence, Modelling, Optimisation, Deep Q-Network (DQN) agent, storage systems
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZM 9500
- Publizierende Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-997871
- Veröffentlichungsdatum Qucosa
- 21.10.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Englisch
- Lizenz / Rechtehinweis
CC BY 4.0