Jan, 2024

解决带时间窗的大规模车辆路径问题的时空需求聚类

PDF
TL;DR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。
decompositionpruningvehicle routing problemdata-based approachclustering
发现论文，激发创造
  • 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

  • 大规模车辆路径规划的委派学习

    本文使用学习增强的局部搜索框架来解决大规模车辆路径问题（VRP），其中使用回归来训练 Transformer 模型来选择恰当的子问题，并且在实验中表现优异。

    Jul, 2021

  • SmartPathfinder：使用强化学习推动无人机车辆路径问题启发式解决方案的极限

    研究论文研究了无人机车辆路径问题，提出了一种综合考虑启发式方法和强化学习框架的解决方案，以提高解决方案的质量和计算速度。

    Apr, 2024

  • 面向全方位可推广的神经网络方法解决车辆路径问题

    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

  • 电容车辆路径问题的神经大邻域搜索

    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

  • 关于容量车辆路径问题和约束中心基聚类之间的关联

    通过将 Capacitated Vehicle Routing Problem（CVRP）转化为 Constrained Centroid-Based Clustering（CCBC），本文提出了一个基于 CCBC 的近似解决方法，该方法利用常见的聚类算法（如 K-means）将一个指数复杂度的问题转化为多项式复杂度的问题，并在实验中展示了该方法在解决车辆路径问题（VRP）方面的优越性。

    Mar, 2024

  • 车队规模和混合配送车辆路径规划

    本研究研究了一种变体的车辆路径问题，具有分割交付、异构车队、车辆 - 商品不兼容等约束条件，将问题拆分成车队设计与路径规划两个部分，并使用混合整数规划进行求解，最后通过多个实验对其进行评估，并使用约束编程的解领衔初始化建立的模型。

    Dec, 2016

  • Edge-DIRECT：基于深度强化学习的解决带有时间窗限制的异构电动车辆路径问题的方法

    本文研究了带有时间窗约束的异构电动车路径问题，并提出了一种基于深度强化学习的方法（Edge-DIRECT），通过增强的图表示和双注意力解码器来有效解决该问题。实验结果表明，Edge-DIRECT 在解决质量和执行时间方面优于现有的方法，并展现了与其他主要启发式方法相比具有竞争性的性能。

    Jun, 2024

  • 无人机配送车辆路径问题

    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

  • 考虑司机偏好的最后一英里配送路由的双目标方法

    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