神经机场地面处理
该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法,以优化机场地勤中的车队调度,实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀,并在不同情况下表现出了很好的鲁棒性和广泛适用性。
Feb, 2023
基于强化学习的超启发式框架,在列生成中提供更好的整数解和加速收敛,通过减少含潜在最优解边的网络规模,在解决车辆路径和巴士司机调度问题中比传统方法降低至多 27.9% 和 15.4% 的总成本。
Oct, 2023
本文提出了一种基于图强化学习的方法,用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明,这种方法在性能和效率方面表现优秀。
Jan, 2024
本文提出了一种基于深度神经网络和注意力机制的学习启发式算法的大邻域搜索框架,用于解决车辆路径问题,该方法在性能方面优于现有的机器学习方法,也接近于现有优化方法的性能。
Nov, 2019
本文提出了一种元学习框架,通过元学习可以有效地训练出初始化的模型,并具有快速适应新任务的能力,在旅行商问题和车辆路径问题的综合实验中,证明了方法的有效性。
May, 2023
利用机器学习的分支限界算法,通过比较三个神经网络 —— 图卷积神经网络(GCNN)、GraphSAGE 和图注意力网络(GAT)的结果,在解决有容量限制的车辆路径问题方面展现了潜力。通过训练这些神经网络,以模拟计算代价高昂的 Strong Branching 策略的决策过程。经过严格的实验证明,这种方法可以在较短的计算时间内达到或超过分支限界算法与 Strong Branching 策略的性能,并且所对应的研究结果和方法的源代码在以下网址中可以轻松获得并进行参考。
Oct, 2023
该研究提出了一种基于预测的优化框架,通过调整航班频率,在美国国内航空客运市场上最大化市场影响力。通过神经网络预测市场影响力,进而定义一个预算约束下的航班频率优化问题,并提出了一种新型的自适应梯度上升(AGA)方法进行优化。该方法在清空采用实验中,效果显著优于传统方法。
May, 2021
我们提出了一种基于循环的算法,用于解决自动引导车辆(AGV)的在线冲突自由调度和路径规划问题,并与精确方法、贪心启发式和元启发式进行比较。实验证明,该算法要么优于其他算法,要么在更短的计算时间内得到同样好的解。
Oct, 2023
本研究提出了一种称为 HHASA_{RL} 的超启发式方法来解决容量限制电动车路线问题,该问题包含了电动车的充电站数量有限以及行驶范围的限制,这种方法通过将多臂赌博机方法和自适应模拟退火算法相结合,以改进已有的解决方案并在 IEEE WCCI2020 竞赛中获得最佳平均值。
Jun, 2022
本文研究如何将深度强化学习和图神经网络应用于无线网络中的电力和信道分配问题,研究结果表明现有结构还不能很好地识别图的结构和特征,并且对于对图产生影响的问题不太适用,但研究还是取得了一些积极进展,比如通过距离编码来增强问题的表示方法。
Jan, 2022