Reinforcement Learning gegen klassische Optimierung

Institut

Institut für Werkzeugmaschinen und Betriebswissenschaften (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Ausgangssituation 
Ob ein lernbasierter Planungsansatz gegenüber etablierten Optimierungsverfahren tatsächlich einen 
Vorteil bietet, ist bislang nicht belegt. Zudem endet die Planung derzeit in der Simulation. 
Zielsetzung 
Auf einem gemeinsamen Testsatz werden Reinforcement Learning, Bayes'sche Optimierung, ein evolu-
tionärer Algorithmus und eine regelbasierte Referenzplanung unter identischen Bedingungen hinsicht-
lich Lösungsgüte, Aufwand und Übertragbarkeit auf veränderte Aufgaben verglichen. Im zweiten Teil 
wird eine Schnittstelle umgesetzt, die eine Planungsentscheidung über das CAM-System in ein fahrbares NC-Programm überführt und 
damit die Prozesskette schließt.

Voraussetzungen

Anforderungsprofil 
Interesse an Optimierungsverfahren, maschinellem Lernen und CAM. Python-Kenntnisse werden vorausgesetzt, Erfahrung mit einem CAM-System ist von Vorteil.

Möglicher Beginn

sofort

Kontakt

Moritz Göldner, M. Sc.
Raum: 2326
Tel.: 089 289 15532
moritz.goeldneriwb.tum.de

Ausschreibung