A Geek+ AI Research Center (MI Kutatóközpont) elkötelezett a világ technológiai innováción keresztüli megváltoztatása iránt a gépi tanulásra és a működésoptimalizáló algoritmusokra összpontosítva, a fenntartható versenyelőnyhöz szükséges alapvető kompetenciák építése érdekében
Algoritmus tipikus alkalmazása 01
A korábbi társítási tapasztalatok adatai alapján a mozgatandó polcok egyenként társulnak a mobil robotokhoz (AMR), és a jelenlegi és a jövőbeli nyereség mértéke az online és az offline tanulás kombinációjával kerülnek maximalizálásra. Ezután az optimális társítási stratégia folyamatos ismétlődő tanulással érhető el.
Algoritmus tipikus alkalmazása 02
Lebontva az útvonaltervezés hagyományos módjának korlátait, a mély megerősítéses tanulást és a dinamikus programozás algoritmusát alkalmazza a multiágensű elosztott kollaboratív útvonaltervezés elvégzéséhez, hogy a lehető legrövidebb idő alatt elérhető legyen a célállomás, miközben az akadályok biztonságos elkerülése is biztosított.
Algoritmus tipikus alkalmazása 03
A rengeteg korábbi megrendelési adat bányászatával és elemzésével, valamint a jövőbeli megrendelések előrejelzésével elérhető az optimális megrendeléshullám-kombináció jellemző kiemelés, asszociációs elemzés és felügyelet nélküli csoportosítás segítségével.
Algoritmus tipikus alkalmazása 04
A jövőbeli megrendelési igény előrejelzése alapján a valószínűleg szállításra kerülő polcok meghatározásra kerülnek, és a robotok kezelési feladatai úgy generálódnak, hogy segítségükkel a polcok a legmegfelelőbb helyre kerüljenek a raktárban, így minimalizálva a teljes utazási távolságot.
Algoritmus tipikus alkalmazása 05
Algoritmusaink különböző dobozméreteket javasolnak a megrendelt áruk mennyiségi információi alapján, ami minimalizálja a csomagolóanyagok költségét és ismételt heurisztikus kereséssel javítja a csomagolás hatékonyságát.
Algoritmus tipikus alkalmazása 065
Adatközpontú, teljes körű készletfeltöltési modellt alkalmaznak. A raktári állapot és ciklusidőn belüli megrendelések értékesítésének valós idejű nyomon követése alapján egy mély neurális hálózatot alkalmaznak, hogy ne csak többszintű és több területre kiterjedő feltöltési tervek készüljenek, hanem elkerülhető legyen az ostorcsapás effektus és jelentősen javuljon az utánpótlás pontossága.