Pekiştirmeli öğrenmeyi kullanarak tek bir sunucu kuyruğunun hizmet hızını optimize etme

Bu tez, kuyruk kontrol problemlerinin optimizasyonunu pekiştirmeli öğrenme (RL) ve daha spesifik olarak Q-öğrenme yöntemini kullanarak araştırmaktadır. Çalışma, M/M/1/K kuyruk sistemlerinde hizmet hızı dengeleme problemini çözmeye odaklanmakta ve daha sonra M/G/1/K problemine genişletilmektedir. Simülasyon ortamı kullanılarak, Q-Öğrenme Algoritması eğitilmiş ve Markov Karar Süreci (MDP) modellerinden elde edilen optimal sonuçlarla karşılaştırılmıştır. Sonuçlar, Q-Öğrenme'nin M/M/1/K problemlerini optimuma çok yakın sonuçlar üreterek etkili bir şekilde çözebi- leceğini göstermektedir. Çalışma, Q-öğrenme algoritmalarının performansını ve yakınsa- ma hızını artırmak için farklı keşif stratejilerinin, etkinliğini incelemektedir. Bulgular, Boltzman keşif stratejisinin diğer stratejilere göre daha iyi performans gösterdiğini ve keşif ile sömürü arasında iyi bir denge sağladığını göstermektedir. Çalışma ayrıca, Q-öğrenme Algoritması'nın hiperparametre değerlerine karşı duyarlılığını vurgulayarak, optimum performansa ulaşmak için dikkatli bir seçim yapılması gerektiğini belirtmektedir. Q-öğrenmenin M/G/1/K kuyruk sistemlerine genişletilmesi, algoritmanın adapte olma yeteneğini ve bu yeteneğin sınırlarını ile duyarlı olduğu noktaları göstermektedir. Genişletme ayrıca, Q-Öğrenme algoritmasına model bilgisinin dahil edilmesinin daha iyi sonuçlar yaratmayabileceğini göstermektedir. Sonuç olarak, bu tez, özellikle Q-öğrenmenin, kuyruk kontrol problemlerinin optimizasyonu için etkili bir araç olarak potansiyelini doğrulamakta ve geleneksel yöntemlere esnek ve uyum sağlama gücü yüksek bir alternatif sunmaktadır.