Riassunto analitico
La simulazione (oppure simulation modelling) è una delle tecnologie che negli ultimi anni si è ampliata maggiormente. Permette di ricreare virtualmente sistemi reali concreti in un ambiente privo di rischi e costi, dove è possibile eseguire esperimenti e modifiche senza conseguenze nella realtà, osservare ed individuare le dinamiche intrinseche dei processi simulati, per eseguire ottimizzazioni o previsioni future e per visualizzarli in 2D/3D. Tutto queste rende la simulazione il processo ideale per eseguire analisi di scenari, potendo così essere sfruttato come strumento di supporto alle decisioni dalle organizzazioni.
La simulazione può essere integrata con altre diverse tecnologie, come quelle inerenti all’analisi dati o di ottimizzazione. Tra queste rientra il Machine Learning, e tra i suoi tre paradigmi principali (apprendimento supervisionato, non supervisionato e per rinforzo) il Reinforcement Learning risulta essere quello che necessita di più dati e di un ambiente dinamico al quale essere connesso per poter raggiungere una soluzione ottima del problema al quale viene applicato. Nella realtà però, ottenere una grande quantità di dati e poter operare in un ambiente dinamico non è così facile, poiché sono richiesti elevati costi, alti rischi e lunghi tempi. Tutti questi sono limiti che possono essere superati dalla simulazione, facendo in modo così di offrire al Reinforcement Learning una “palestra” ideale per potersi allenare e imparare. Allo stesso tempo, la simulazione può sfruttare l’ottimizzazione offerta dal RL per evitare lo sviluppo di complessi algoritmi euristici per cercare di ottimizzare i sistemi simulati.
Quindi, in questa tesi verranno analizzati i concetti teorici alla base della simulazione, approfondendo l’ultimo paradigma di questa tecnologia (il Digital Twin) e il principale software usato per simulare processi (AnyLogic), i concetti del Reinforcement Learning e, infine, un caso applicativo di ricerca, che mostra la possibile integrazione di queste due tecnologie.
|
