Reinforcement Learning Algorithms for Controlled Queueing Systems
Algorithmes d'apprentissage par renforcement pour le contrôle de systèmes de files d'attente
Résumé
Although reinforcement learning has recently been primarily studied in the generic case of Markov decision processes, the case of queueing systems stands out in particular. To make up for the potentially extremely large state space a priori, learning algorithms must take into account the structure of the systems in order to extract as much information as possible and choose the best control to optimize the system in the long run.In this thesis, we present algorithms adapted from classical algorithms in the context of queueing systems, and we study their performance to demonstrate a weak dependence on the state space compared to results obtained in the general case.
Bien que l'apprentissage par renforcement ait été récemment principalement étudié dans le cas générique des processus de décisions markoviens, le cas des systèmes de files d'attente se dinstigue particulièrement. Pour compenser la taille de l'espace d'état qui peut être extrêmement grande a priori, les algorithmes d'apprentissage doivent tenir compte de la structure des systèmes afin d'en extraire le plus d'information et de choisir le meilleur contrôle afin d'optimiser au mieux le système sur le long terme.Dans cette thèse, nous présentons des algorithmes construits à partir d'algorithmes classiques, adaptés au contexte des système de file d'attente, et nous étudions les performances de ceux-ci pour montrer une dépendance faible à l'espace d'états comparativement aux résultats obtenus dans le cas général.
| Origine | Version validée par le jury (STAR) |
|---|