Nov, 2023

车辆共享系统中一种优化投资问题的 A * 搜索算法

PDF
TL;DR在车辆共享系统中，我们研究了一个最优投资问题，其中包括确定建立站点的顺序、车辆数量以及获得目标状态的策略，以及通过经营系统来最大化总利润的车辆数量和分配策略。该问题可以视为具有集合相关成本的旅行推销员问题的变体，并使用 A * 搜索算法进行解决。
optimal investmentvehicle-sharing systemlinear optimization problema* search algorithmtraveling salesman problem
发现论文，激发创造
  • 共享交通工具系统中的定价与优化：一种近似框架

    提出了一种基于凸松弛的近似框架，用于对共享车辆系统进行建模和优化，通过分析此近似框架的性质，得出了计算复杂度更低的解决方案并提供实际操作洞见，实现了对共享车辆系统的有效控制与管理。

    Aug, 2016

  • 智能分拣中心目标分配和路径规划的空闲时间优化

    研究了自动分拣中心中一次分配分拣站点和路径规划问题，并提出了基于最小成本最大流形式化算法的有效解决方案。该方案不仅适用于一次性问题，还可用于长期问题。在真实数据和运动学模型的工业模拟器上进行的实验表明了该方案的高效性和有效性。

    Nov, 2019

  • 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

  • 自行车共享系统中动态再平衡的强化学习方法

    骑行共享系统是提供生态友好的城市出行方式，有助于减轻交通拥堵和改善健康生活方式。本研究提出一种基于时空强化学习算法的动态均衡问题解决方案，在多种数据集上的实验证明其在减少需求损失方面优于传统模型，为城市出行提供更智能、强大的解决方案。

    Feb, 2024

  • 自行车共享系统租赁智能推荐

    在这篇论文中，我们提出并比较了在基于站点的自行车共享系统中为用户推荐站点的策略，首先是基于排队理论的推荐策略，其根据用户的利益推荐距离较近且更有可能找到自行车或停车位的站点；然后，我们进一步定义了一种策略，将特定用户的利益与全局系统的利益相结合，以实现在预期未来需求方面改善自行车和停车位分布，以隐式地避免或缓解平衡问题。我们通过对马德里自行车共享系统 BiciMAD 的实际数据进行了多个实验来评估我们的提议。

    Jan, 2024

  • 无桩自行车共享系统中基于图优化的网络扩张

    自行车共享系统是全球超过一千个城市中部署的，对许多城市交通系统起着重要作用。本研究利用摩比自行车的出行数据构建了一个优化的地理时空图，揭示了未来共享系统扩展时的最佳站点位置。使用路汶算法进行社区检测，发现不同时间粒度上呈现类似使用模式的自包含子网络。整体来看，本研究加强了自行车共享系统是物理时空系统的内在特性，并且社区的存在受到时空动态的驱动。这些发现可能有助于运营商提高再分配效率。

    Mar, 2024

  • 电动汽车充电站最优位置的最大流量模型

    气候变化、电动汽车、充电站、用户满意度和最大流问题是这篇研究论文的主要关键词和主题。

    Dec, 2023

  • 具有相关信念的最优学习顺序交通网络设计算法

    本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

    May, 2023

  • 使用模型增强的强化学习优化出租车车队的随机路由

    本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法，以路线优化策略的形式为车队提供路线规划，研究了面对实时、随机需求的情况下，在小到中型的道路网络中，对街道叫车服务的路线进行优化；使用基于代理的大规模微观仿真平台，评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现，结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色，并且混合算法可以显著加速模型无关学习者的学习过程。

    Oct, 2020

  • 使用 Rollouts 和 MAX-SAT 解决带时间窗口的有容量车辆路径问题

    本文提出一种混合方法，将强化学习、策略推进和可满足性求解器相结合，以实现计算时间和解决方案质量之间的可调节权衡，该方法可以解决任意规模的问题，且无需额外训练，在解决车辆路由问题中的效果优于现有的基于学习的方法和元启发式算法，更具有泛化性。

    Jun, 2022