Q-Learning fuer Lagerwagen-Disposition bei Hamburger Logistiker
Übersicht
Worum es bei diesem Projekt geht.
Du baust einen Simulator (Python + Gymnasium-API) mit einem 12x12-Gitter, 40 Lagerwagen, 6 Eingangs- und 4 Versandzonen, und einer Auftrags-Generation mit Poisson-Verteilung. Definiere State (Lagerwagen-Positionen, offene Auftraege), Action (Zuweisung eines Lagerwagens zu einem Auftrag) und Reward (negative Wartezeit minus Kollisionsstrafe). Trainiere einen tabellarischen Q-Learning-Agenten mit Epsilon-Greedy-Exploration. Vergleiche gegen zwei Baselines (Nearest-Vehicle, Round-Robin). Berichte durchschnittliche Wartezeit, Throughput pro Stunde und Trainingsstabilitaet ueber 5 Seeds.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere einen Q-Learning-Agenten fuer Lagerwagen-Disposition und uebertrifff regelbasierte Baselines in durchschnittlicher Wartezeit.
Earning criteria — what you'll demonstrate
- MDP-Formulierung fuer ein industrielles Problem entwerfen
- Tabellarisches Q-Learning mit Epsilon-Greedy stabil trainieren
- Exploration-Exploitation-Trade-off ueber Lernkurven analysieren
- RL-Ergebnisse gegen regelbasierte Baselines ehrlich vergleichen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
Ein RL-Setup von MDP-Formulierung ueber Simulator bis Agent-Training auf einem industriellen Use Case zu liefern ist Kerngebiet von ML Engineers in Logistik- und Industrie-RL-Teams.
Dieses Projekt schärft
- q-learning
- markov-decision-processes
- simulation
Applied AI Scientist
Tabellarisches Q-Learning als Baseline-Verstaendnis vor Function-Approximation aufzubauen und ehrlich gegen regelbasierte Methoden zu argumentieren ist klassische Applied-AI-Arbeit.
Dieses Projekt schärft
- q-learning
- exploration-exploitation
- model-evaluation
ML Researcher
RL-Experimente ueber mehrere Seeds mit ehrlicher Varianz-Berichterstattung durchzufuehren ist Standardhandwerk in RL-Forschungsgruppen.
Dieses Projekt schärft
- q-learning
- simulation
- model-evaluation
Noch eine Sache