研究论文研究了无人机车辆路径问题,提出了一种综合考虑启发式方法和强化学习框架的解决方案,以提高解决方案的质量和计算速度。
Apr, 2024
本文提出了一种新的分层路由优化器,该优化器结合了优化和机器学习,通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题,并使用亚马逊的真实交付数据集证明了这种方法的重要性。
Mar, 2023
本研究研究了一种变体的车辆路径问题,具有分割交付、异构车队、车辆 - 商品不兼容等约束条件,将问题拆分成车队设计与路径规划两个部分,并使用混合整数规划进行求解,最后通过多个实验对其进行评估,并使用约束编程的解领衔初始化建立的模型。
Dec, 2016
该研究提出了一种新颖的方法来解决多目标车辆路径规划问题,通过视觉吸引力路线规划和历史驾驶员行为数据挖掘的评估,证明了数据挖掘历史模式比文献中的视觉吸引力评估更加有效。同时提出了一个双目标问题来平衡路径相似性和最小化路径成本,并通过启发式箱分割的两阶段 GRASP 算法解决该问题。结果表明该方法能够生成少量非支配解,帮助决策者在路径成本和驾驶员偏好之间进行权衡,从而提升物流公司的最后一英里配送运营。
May, 2024
本文研究了一种基于离线车辆路径规划的在线客运服务问题,该问题考虑了灵活的接送时间窗口和实时订车,并提出了一种结合任意算法和基于学习的策略,比现有算法在实现更好的结果的求解方法。
Apr, 2022
本文提出了一个端到端的框架,使用强化学习来解决车辆路径问题 (VRP),我们训练一个单一的模型,仅通过观察奖励信号和遵守可行性规则,就可以找到给定分布采样的问题实例的近最优解。通过将策略梯度算法应用于优化其参数,我们的模型在实时中以连续操作序列的形式生成解决方案,无需为每个新问题实例重新训练,我们的方法在解决负载容量 VRP 的中等规模实例时,在解决质量上优于经典的启发式算法和 Google 的 OR-Tools,同时具有可比较的计算时间,在本文中还探讨了分裂交付对解决质量的影响。我们的提出的框架可以应用于其他 VRP 变体,例如随机 VRP,并具有应用于组合优化问题的潜力。
Feb, 2018
无人机物流配送中通过联合无人机轨迹规划和小区关联,利用强化学习最小化能耗、减少切换次数、保证通信连接,以提高性能表现。
Dec, 2023
该研究提出了一种基于强化学习的方法,结合拉格朗日松弛技术和约束策略优化,用于解决软限制的车辆路径规划问题,并在旅行商问题、容量限制车辆路径问题和带时间窗口的容量限制车辆路径问题上进行了验证,表明其对解决已有方法难以解决的问题有很好的竞争力。
Jul, 2022
本研究基于强化学习算法,从车辆装载容量、时间窗口、能量供应等多个因素出发,在大规模客户和配电站环境下,构建了满足多个系统目标的电动车路由模型,并通过实验证明,该方法不但在速度上快于混合整数线性规划和遗传算法元启发式算法,而且结果质量接近最优解。
我们提出了一种创新的多智能体方法,聚焦于合作车辆路径问题,通过驾驶员个体有理性约束来优化物流公司间市场平台上的订单交换,实现降低行驶距离、提高系统运营效率,并确保市场长期可持续性。
Aug, 2023