科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着现代矿业的发展和进步，露天矿卡车调度优化成为了一个重要的研究领域。如何有效地管理和调度卡车，以最大化运输效率和减少成本，已经成为矿业企业亟需解决的问题。目前的研究聚焦于利用深度强化学习(DRL)构建学习模型求解路径优化问题。然而，DRL模型针对Transformer架构的参数训练时，会产生大量参数冗余。为此，将微分方程数值解法——阿当姆斯(Adams)法用于Transformer模型的权重学习中，提出了一种基于Adams的残差训练方法，可提高网络后期的优化精度，进一步压缩模型的规模，高效求解露天矿卡车调度优化问题。试验表明：该方法在降低最优间隙的同时将源模型的参数量压缩至1/2，减少了对GPU设备的训练依赖。采用随机生成露天矿卡数据集中的算例对该算法的效能进行了验证，反映出采用Adams-Transformer模型能够极大提升露天矿卡车调度的优化效能。
-
单位四川职业技术学院; 四川大学
