强化学习与数字孪生驱动的仓储货位优化框架

2026年10月30日，arXiv Artificial Intelligence 刊出 Md Mahinur Alam 等作者的论文，提出一种基于强化学习与 FlexSim 数字孪生的仓储物流实时货位优化框架。该框架将强化学习智能体集成在 FlexSim 数字孪生环境中，可持续从流式运营数据中学习；仿真环境建模了四区域仓库布局与叉车物料搬运，并通过 Asset Administration Shell 框架实现学习智能体、物理资产与数字孪生之间的交互。实验结果显示，平均拣货时间降低 29.66%、吞吐量提升 35.42%、行驶距离减少 18.54%。目前该事件仅有这一篇主报道，尚无后续跟进报道，上述性能数据均来自该论文自述的实验结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。