Aug, 2023

物流中心位置优化：一种基于 K-Means 和 P-Median 模型的混合方法，利用道路网络距离

PDF
TL;DR使用混合方法优化物流中心的位置，节省每个送货的距离并减少碳足迹。
logistic hubslast-mile deliverye-commerce industryresource allocationhybrid approach
发现论文，激发创造
  • 移动包裹储物柜用于最后一公里送货路线规划：混合 Q 学习网络方法

    本研究旨在解决移动包裹柜问题，应用混合 Q 学习网络的方法在移动包裹柜的部署区域内确定最优停靠位置和相应的配送路线，比较了解决问题的不同方法并发现移动包裹柜的效率主要取决于时间窗口的长度和停靠位置的部署，为物流运营商提供了指导意见。

    Sep, 2022

  • 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

  • 优化公交出行：基于 P-KMEANS 和 P-LDA 算法的新方法的特征挖掘

    公交出行特征提取方法利用 POI 数据，采用增强的 P-KMENAS 和 P-LDA 算法来克服传统算法的局限性，有效地挖掘了与年龄、职业、性别、运动、费用、安全和个性特征等多个方面相关的公交出行行为，从而提升了公交出行的优化效果。

    Dec, 2023

  • 最后一公里配送偏好学习的概率估计和结构化输出预测

    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

  • 基于交换的网络设施位置问题深度强化学习

    该研究论文提出了一个基于交换的框架和一种新颖的深度强化学习模型，用于解决图上的设施位置问题和设施重新定位问题。与手工启发式方法相比，该方法在复杂图数据集上表现出更好的解决方案质量和运行时间，同时引入了一种图生成过程，以模拟带有需求的现实世界城市道路网络，为经典问题的大规模数据集构建提供了便利。这一综合了交换法和深度强化学习的方法对于解决图上设施位置问题的实际挑战具有重要意义。

    Dec, 2023

  • 一个用于容量受限位置路径问题的多种群整合方法

    该研究提出了一个多种群综合框架，通过多个仓库配置生成有效的子代解决方案，包括一个有效的基于邻域的局部搜索、一个可行性恢复过程和一个多样化的突变方法，在 281 个基准实例的广泛实验中得到了明显的改进，并匹配了 84 个已知的最佳结果。

    Mar, 2024

  • 设施选址问题中局部搜索算法的简化分析

    本文研究了度量实例的本地搜索算法，针对设备位置问题：无容量设备位置问题（UFL），以及 $k$-median，$k$-center 和 $k$-means 的无容量版本。

    Sep, 2008

  • 有序 k - 中位数的常系数近似

    提供了一种基于 LP-rounding 的近似算法来解决有序 k-Median 问题，并探讨了包括权重和距离分配方法在内的多种算法来处理该问题。

    Nov, 2017

  • 解决带时间窗的大规模车辆路径问题的时空需求聚类

    通过聚类的数据驱动方法，将车辆路径问题分解成子问题以降低复杂性，并应用剪枝和局部搜索来优化解决方案。结果表明，该方法在解决大规模车辆路径问题时优于传统基于空间信息的方法，并能够适应不同情景的路由问题。

    Jan, 2024

  • 分层最优输运用于文档表示

    该论文介绍了基于分布和话题建模的层次最优输运方法作为文档之间的元距离，以量化文档之间的相似性。这种方法具有解释性和可扩展性，并在 k-NN 分类方面表现良好。

    Jun, 2019