- 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 - IJCAI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 - 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 - KDDRouteExplainer:车辆路径问题的解释框架
我们提出了 RouteExplainer,一种后期解释框架,用于解释生成路径中每个边的影响力,并通过行动影响模型对 VRP 进行对事实解释。我们的研究结果定量评估了边分类器,并定性评估了这个解释框架,验证了框架的有效性并展示了与 LLMs - 云厨房:利用基于规划的复合智能优化食品配送流程
云厨平台是一个决策工具,用于餐厅的食品配送,通过使用 VRPTW 来分配顾客订单和决定服务顺序,提高用户满意度。
- 具上下文的随机时间窗车辆路径规划
我们研究了带时间窗的车辆路径问题(VRPTW)和随机旅行时间,在做出路径决策之前,决策者观察相关的上下文信息,表示为特征变量。尽管有大量有关随机 VRP 的文献,但在此情境中对特征变量的整合受到了限制的关注。我们介绍了上下文随机 VRPTW - 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。
- PyVRP:一个高性能的 VRP 求解包
我们介绍了 PyVRP,这是一个 Python 包,实现了混合遗传搜索作为最先进的车辆路径问题(VRP)解算器。
- 基于强化学习的超启发式方法增强列生成在车辆路径规划与调度问题中的应用
基于强化学习的超启发式框架,在列生成中提供更好的整数解和加速收敛,通过减少含潜在最优解边的网络规模,在解决车辆路径和巴士司机调度问题中比传统方法降低至多 27.9% 和 15.4% 的总成本。
- 自适应遗传算法实现的现场工作调度
本研究提出了一种自适应遗传算法来解决现场作业调度问题,在最小化旅行距离和加班时长的同时,满足与 SLA 相关的约束条件,并为大量工作和技术人员找到了优化的旅行路线。
- 自动化 ATM 现金补充过程的多目标物流优化
在数字化转型时代,将数字技术整合到银行业务的各个方面可以提高流程自动化、成本效率和服务水平。本文针对 ATM 现金补充的物流问题,提出了广义车辆路径问题的数学模型,并提供了评估各种情况的工具。在模拟数据集上评估时,我们提出的模型和方法取得了 - 神经机场地面处理
本文使用神经方法和强化学习解决了机场地勤服务的多航班车辆路径问题,实验证明我们的方法相对于传统的启发式和一些特殊的方法更加高效。
- 机场地面处理车辆路径问题中的大邻域搜索学习
该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法,以优化机场地勤中的车队调度,实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀,并在不同情况下表现出了很好的鲁棒性和广泛适用性。
- Q-Cogni: 一种融合因果关系强化学习框架
Q-Cogni 是一种算法集成的因果强化学习框架,可通过自主因果关系发现方法重新设计 Q-Learning,从而在具有状态 / 动作空间的机器学习环境中实现最优学习和推理,并提高强化学习代理的决策可解释性。在应用 Q-Cogni 于车辆路径 - 运用深度强化学习解决车辆路径问题
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 - 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。
- 基于深度强化学习的列生成算法框架
本文提出了 RLCG—— 一种用于解决大规模整数线性规划的迭代算法,它是第一个采用强化学习方法的列生成算法,并使用图神经网络表示感兴趣的 LP 的变量约束结构,成功应用于切割库存问题和带时间窗口的车辆路由问题中,相对于常用的贪心策略,该算法 - 解决城市接送服务中随机请求动态车辆路径问题的在线方法
本文提出了一种解决动态车辆路径问题(DVRP)的方法,该方法适用于时间窗口和随机旅行请求,并针对局部交通服务应用。此外,该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明,该方法在性能和鲁棒性方面均优于现有最先进的方 - 利用深度强化学习解决取送货问题的异构关注机制
利用新颖的神经网络与异构关注机制解决了深度强化学习中无法应对的拣货和送货问题,实验结果证明了其在不同分布和问题规模下优于最先进的启发式策略和深度学习模型。
- 深度策略动态规划在车辆路径问题中的应用
Deep Policy Dynamic Programming 优先和限制来自深度神经网络的策略,以结合学习嵌入式启发式和动态规划 (DP) 算法的优点,以优化旅行商问题 (TSP)、车辆路径问题 (VRP) 和带时间窗口的 TSP (TS