May, 2024

考虑司机偏好的最后一英里配送路由的双目标方法

PDF
TL;DR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。
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

  • 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

  • 具有软时间窗口的多车辆路径规划问题：一种多智能体强化学习方法

    这篇论文提出了一种基于强化学习的名为 “Multi-Agent Attention Model” 的算法，能够利用较长的离线训练时间快速解决城市物流配送中必不可少的 “多车辆路径问题（MVRPSTW）”，该算法以车辆旅游生成过程为基础，提出了一种具有注意力层的编码器 - 解码器框架来迭代地生成多辆车的路径，通过对不同规模的合成网络进行评估，证明该算法的效果优于谷歌 OR-Tools 和传统方法，并验证了模型的稳健性。

    Feb, 2020

  • 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

  • 个体合理的协作车辆路径规划通过互惠交流

    我们提出了一种创新的多智能体方法，聚焦于合作车辆路径问题，通过驾驶员个体有理性约束来优化物流公司间市场平台上的订单交换，实现降低行驶距离、提高系统运营效率，并确保市场长期可持续性。

    Aug, 2023

  • 促进动态车辆路径问题中的双边公平性

    我们提出了一个新的框架，即双方公平感知遗传算法（2FairGA），该算法将基因算法从仅关注效用的原始目标扩展到同时包含双方公平性的多个目标。大量实验证明我们提出的框架优于现有技术水平。

    May, 2024

  • 一种基于神经列生成理论的二维装箱车辆路径问题的求解方法

    本研究论文通过整合注意力和循环机制的先进机器学习技术，提出了一种精确算法来解决具有二维装载约束和后进先出规则的车辆路径问题。该算法在各个问题实例中平均加速了 29.79%，并成功解决了标准测试环境中的一个开放问题，表明了机器学习模型的结合带来的显著改进。

    Jun, 2024

  • 用强化学习解决车辆路径规划问题

    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

  • 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

  • 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