面向偏好的末端物流配送规划
本研究探讨了在最后一英里交付的背景下,学习司机和规划者偏好的问题,然后提出了概率估计和机器学习相结合的方法,以最大限度地平衡多个目标,并提出了一种两阶段方法来解决 TSP 问题。
Jan, 2022
本研究旨在将 Amazon 司机的实践经验融入到最佳路线规划中,我们提出了一种机器学习和传统 TSP 求解器结合的分层方法来处理这个挑战。该方法在历史路线的区域级别学习了一个顺序概率模型,并使用 Rollout 算法生成从学习的概率模型中采样的可信区域序列来编码驱动程序的专业知识,并有效地排序每个区域的站点,该方法取得了 0.0374 的评估分数。
May, 2022
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
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
本文介绍了强化学习在处理 NP-Hard 组合优化问题,特别是车辆路径问题方面的应用。作者将问题建模成一个马尔科夫决策过程,并采用了 Actor-Critic 类的 PPO 方法和基于卷积神经网络的神经架构。尽管与最先进的 OR-TOOLS 解算器相比略逊一筹,但该算法具有较好的泛化能力和较短的解答时间。未来的研究方向是提高算法的性能表现。
Jul, 2022
该研究提出了两种用于基于无人机送货的多大交通问题(VRPs)解决方案,这两种方案均能够在计划中考虑电池寿命和负载重量对能耗的影响,为决策者提供优化成本和交货时间的决策依据。
Aug, 2016
本研究旨在解决在不确定条件下优化车辆路线的具有挑战性任务的随机车辆路径问题(SVRP)中,利用强化学习(RL)和机器学习(ML)技术的利用不足的问题。我们提出了一个全面解决 SVRP 中预测性关键源的全新端到端框架,采用简单而有效的架构和定制的训练方法来利用 RL agent。通过比较分析,我们的模型相较于一个广泛采用的最先进元启发式算法表现出了更好的性能,实现了显著的 3.43% 的行程成本降低。此外,该模型在不同的 SVRP 设置中表现出了鲁棒性,突出了它的适应能力和学习优化路径策略在不同环境中。我们框架的公开实现作为未来研究努力的宝贵资源,旨在推进基于 RL 的 SVRP 解决方案。
Nov, 2023
我们提出了一种基于注意力层的模型来解决组合优化问题,并使用基于确定性贪心策略的简单基线进行训练,在解决旅行商问题(TSP)和车辆路径问题(VRP)方面取得了很好的结果。
Mar, 2018