Nov, 2022

线性规划教程和实践：供应链和运输物流中的优化问题

PDF
TL;DR本篇论文介绍线性规划的基础和实践，重点关注供应链管理和运输物流的空间分析中的优化问题，通过 Python 程序和优化库解决问题。并介绍了一种新的认知框架来帮助学生和从业者设置每个优化问题。
linear programmingoptimizationsupply chain managementtransport logisticsspatial analysis
发现论文，激发创造
  • 基于优化的卡车运输服务网络动态载荷规划学习

    运输网络中的负载规划问题是包裹承运商服务网络设计的一个关键挑战，本文旨在开发一个决策支持工具以帮助规划者在网络的各个终端进行决策，通过结合机器学习和优化方法，解决动态负载规划问题并实现负载优化、资源利用和性能提升。

    Jul, 2023

  • 面向偏好的末端物流配送规划

    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

  • 学习巡回：运算符设计用于解决方案可行性映射的接送旅行推销员问题

    本文旨在开发一种用于一类特殊旅行推销员问题（TSP）的学习方法，即接送 TSP（PDTSP），该方法通过一系列一对一接送节点找到最短路径。我们利用可行解算空间中的操作符来解决 PDTSP，这些操作符将一个可行解映射到另一个可行解，从而限制解决方案搜索范围。通过与经典 OR 算法和现有学习方法进行比较，结果表明我们的方法可以找到比基准更短的路径。

    Apr, 2024

  • 最优输运中的顺序限制

    本文介绍了将新的有序约束引入到最优输运问题的形式化描述中，以便将结构纳入其中，并定义了一种有效的方法来获得比标准方法更能解释该新表述的解决方案，理论分析表明该方法具有良好的性质，并在几个图像颜色转换示例以及包括人工注释原理在内的 e-SNLI 数据集上实验验证了有序约束可以提高解释性。

    Oct, 2021

  • 机器学习中的最优传输近期进展

    本研究综述了 Optimal Transport 在机器学习中的应用，特别关注于监督、无监督、迁移和强化学习领域，并重点介绍了计算 Optimal Transport 的最新发展及其与机器学习实践的相互作用。

    Jun, 2023

  • 优化库存路线：基于决策导向学习的神经网络方法

    我们提出了一种面向决策的基于学习的方法来解决实际的库存路径规划问题，该方法直接整合了库存预测和路径优化于一个端到端的系统中，可能确保一个稳健的供应链策略。

    Nov, 2023

  • 在协同设计环境中的全球物流逻辑编程方法

    在协同设计环境中，快速且自动地集成变化是一项挑战。本文考虑了在协同设计方法中，针对关键绩效指标（如成本、时间或弹性）创建和优化全球物流系统以建造客机的挑战。本文的目标是找到一种构建飞机的最佳方式，并考虑其工业系统的要求。研究采用 Answer Set Programming（ASP）作为建模语言，将所需的工业系统的要求形式化。所提出的方法涵盖了从知识图谱中提取相关信息、转化为逻辑程序以及根据优化准则计算现有配置。最后，我们可视化结果以便对这些模型进行轻松评估。内部结果看起来令人鼓舞，并提出了几个未来改进的新研究问题。

    Aug, 2023

  • 离散域上的最优输运

    本文介绍了最优传输方面的数值方法，旨在解决在图形和机器学习中遇到的三角形网格、图形、点云等定义在几何域上的难以高效解决的大规模线性规划，通过使用离散优化、凸分析等为数值最优传输问题提供理论可证明的模型，并讨论了其中的一些问题。

    Jan, 2018

  • 电子商务中高效履约和路由策略的多智能体学习

    该研究提出了一个集成算法框架，用于在电子商务中最小化产品送货成本（成本对服务或 C2S）。通过结合图神经网络和强化学习来训练节点选择和车辆路径规划代理，我们的实验结果表明，这种算法流程胜过纯启发式策略。

    Nov, 2023

  • 结合强化学习和最优传输的旅行商问题

    利用熵正则化最优传输技术作为深度强化学习网络中的一层，以实现更快速的学习并在端到端训练期间强制执行分配约束和规定，从而对于解决组合优化问题的效率进行优化。

    Mar, 2022