Autonomous Resource Management in Construction Companies Using Deep Reinforcement Learning Based on IoT

要約

資源配分は、コスト、時間、品質に直接影響するため、建設プロジェクトを計画する上で最も重要な問題の1つである。通常、プロジェクトの目的に応じて自律的に資源を管理するための具体的な配分方法が存在します。しかし、建設組織全体における資源活用の統合的な計画・最適化は乏しい。本研究の目的は、Deep Reinforcement Learning（DRL）に基づき、様々な場面で利用可能な建設会社の自動資源配分構造を提示することである。この構造では、データハーベスティング（DH）は、自律的なリソース管理アプローチに採用するために、会社のプロジェクトの至る所に分散しているIoT（Internet of Things）センサーデバイスからリソース情報を収集する。そして、CRA（Coverage Resources Allocation）とDHから得た情報を比較し、ARM（Autonomous Resource Management）が対象プロジェクトを決定します。同様に、類似のモデルを持つDouble Deep Q-Networks（DDQN）は、目的とリソース制約のバランスをとるために、企業の構造化リソース情報に基づいて、2つの異なる割り当て状況について学習される。本論文で提案する手法は、ポートフォリオ情報と採用された個別プロジェクト情報を組み合わせることで、大規模なリソース管理システムに効率的に適応することが可能である。また、重要な情報処理パラメータが資源配分性能に与える影響を詳細に分析する。さらに、管理アプローチの一般化可能性の結果を示し、状況の変数が変化しても追加訓練の必要性がないことを示す。

要約(オリジナル)

Resource allocation is one of the most critical issues in planning construction projects, due to its direct impact on cost, time, and quality. There are usually specific allocation methods for autonomous resource management according to the projects objectives. However, integrated planning and optimization of utilizing resources in an entire construction organization are scarce. The purpose of this study is to present an automatic resource allocation structure for construction companies based on Deep Reinforcement Learning (DRL), which can be used in various situations. In this structure, Data Harvesting (DH) gathers resource information from the distributed Internet of Things (IoT) sensor devices all over the companys projects to be employed in the autonomous resource management approach. Then, Coverage Resources Allocation (CRA) is compared to the information obtained from DH in which the Autonomous Resource Management (ARM) determines the project of interest. Likewise, Double Deep Q-Networks (DDQNs) with similar models are trained on two distinct assignment situations based on structured resource information of the company to balance objectives with resource constraints. The suggested technique in this paper can efficiently adjust to large resource management systems by combining portfolio information with adopted individual project information. Also, the effects of important information processing parameters on resource allocation performance are analyzed in detail. Moreover, the results of the generalizability of management approaches are presented, indicating no need for additional training when the variables of situations change.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL