Bruno Carchia
Deep Reinforcement Learning for Stochastic Locomotive Assignment.
Rel. Paolo Garza. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2026
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (3MB) | Preview |
Abstract
Le operazioni di trasporto ferroviario merci pesante richiedono tipica- mente l’allocazione di una o più locomotive per soddisfare gli specifici requisiti di sforzo di trazione necessari al successo del transito. Il Problema di Assegnazione delle Locomotive (LAP, Locomotive Assignment Problem) mira a instradare e assegnare in modo ottimale queste limitate risorse di forza motrice secondo un orario prestabilito, minimizzando il ritardo sistemico e nel contempo rispettando rigorosamente severi vincoli operativi. Essendo un problema di ottimizzazione combinatoria fortemente vincolato, i tradizionali risolutori esatti e le metodologie euristiche soffrono di gravi colli di bottiglia computazionali. L’incorporazione della stocasticità del mondo reale rende questi approcci classici intrattabili, limitandone gravemente la scalabilità nelle applicazioni industriali.
Per superare tali limitazioni computazionali, questa tesi propone un framework altamente scalabile basato sul Deep Reinforcement Learning (DRL)
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
Ente in cotutela
Aziende collaboratrici
URI
![]() |
Modifica (riservato agli operatori) |
