論文の概要: An adaptive data-driven approach to solve real-world vehicle routing
problems in logistics
- arxiv url: http://arxiv.org/abs/2001.02094v1
- Date: Sun, 5 Jan 2020 17:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 07:50:25.880831
- Title: An adaptive data-driven approach to solve real-world vehicle routing
problems in logistics
- Title（参考訳）: 物流における実世界の車両経路問題に対する適応型データ駆動アプローチ
- Authors: Emir Zunic, Dzenana Donko, Emir Buza
- Abstract要約: 輸送は物流費の3分の1を占める。
本研究は、ロジスティクス分野における実世界のルーティング車両問題(VRP)を解決するための適応型データ駆動型革新的なモジュラーアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transportation occupies one-third of the amount in the logistics costs, and
accordingly transportation systems largely influence the performance of the
logistics system. This work presents an adaptive data-driven innovative modular
approach for solving the real-world Vehicle Routing Problems (VRP) in the field
of logistics. The work consists of two basic units: (i) an innovative
multi-step algorithm for successful and entirely feasible solving of the VRP
problems in logistics, (ii) an adaptive approach for adjusting and setting up
parameters and constants of the proposed algorithm. The proposed algorithm
combines several data transformation approaches, heuristics and Tabu search.
Moreover, as the performance of the algorithm depends on the set of control
parameters and constants, a predictive model that adaptively adjusts these
parameters and constants according to historical data is proposed. A comparison
of the acquired results has been made using the Decision Support System with
predictive models: Generalized Linear Models (GLM) and Support Vector Machine
(SVM). The algorithm, along with the control parameters, which using the
prediction method were acquired, was incorporated into a web-based enterprise
system, which is in use in several big distribution companies in Bosnia and
Herzegovina. The results of the proposed algorithm were compared with a set of
benchmark instances and validated over real benchmark instances as well. The
successful feasibility of the given routes, in a real environment, is also
presented.
- Abstract（参考訳）: 輸送は物流費の3分の1を占めており、輸送システムは物流システムの性能に大きな影響を与えている。
本研究は、ロジスティクス分野における現実の車両ルーティング問題(VRP)を解決するための適応型データ駆動型革新的なモジュラーアプローチを提案する。
本作は2つの基本ユニットで構成されている。
(i)ロジスティクスにおけるVRP問題の成功と完全に実現可能な解決のための革新的な多段階アルゴリズム。
(ii)提案アルゴリズムのパラメータと定数の調整と設定のための適応的アプローチ。
提案アルゴリズムは,複数のデータ変換手法,ヒューリスティックス,タブサーチを組み合わせる。
さらに,アルゴリズムの性能は制御パラメータと定数の集合に依存するため,これらのパラメータと定数を履歴データに従って適応的に調整する予測モデルを提案する。
一般線形モデル(GLM)とサポートベクトルマシン(SVM)の予測モデルを用いた決定支援システムを用いて,得られた結果の比較を行った。
予測手法を用いた制御パラメータの取得とともに,このアルゴリズムは,ボスニア・ヘルツェゴビナの大手流通企業で使用されているWebベースのエンタープライズシステムに組み込まれた。
提案アルゴリズムの結果をベンチマークインスタンスのセットと比較し,実際のベンチマークインスタンスについても検証した。
実環境において与えられた経路の実現可能性も提示する。
関連論文リスト
- Recursive Gaussian Process State Space Model [4.572915072234487]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。
ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。
合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文 参考訳（メタデータ） (2024-11-22T02:22:59Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Efficient Online Scheduling and Routing for Automated Guided Vehicles In Loop-Based Graphs [0.0]
本稿では,任意の容量を持つAGVに対して,オンラインかつ競合のないスケジューリングとルーティング問題を解決するループベースのアルゴリズムを提案する。
実生産プラントを表すモデル上で理論的および実例を用いて、このアルゴリズムが他のアルゴリズムより優れているか、より少ない計算時間で等しく良い解が得られることを実験的に示す。
論文 参考訳（メタデータ） (2023-10-03T16:41:46Z) - Improvement of Computational Performance of Evolutionary AutoML in a
Heterogeneous Environment [0.0]
グラフ構造を持つパイプラインのモデリングにおける進化的最適化の質を高めるためのモジュラー手法を提案する。
実装されたアルゴリズムは、オープンソースのフレームワークであるFEDOTの一部として利用可能である。
論文 参考訳（メタデータ） (2023-01-12T15:59:04Z) - Efficient Learning of Decision-Making Models: A Penalty Block Coordinate
Descent Algorithm for Data-Driven Inverse Optimization [12.610576072466895]
我々は、意思決定プロセスを明らかにするために、事前の意思決定データを使用する逆問題を考える。
この統計的学習問題は、データ駆動逆最適化と呼ばれる。
そこで本稿では,大規模問題を解くために,効率的なブロック座標降下に基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-27T12:52:56Z) - Data efficient reinforcement learning and adaptive optimal perimeter
control of network traffic dynamics [0.0]
本研究は、適応最適周波制御のためのマクロトラフィックダイナミクスの学習のための積分強化学習(IRL)に基づくアプローチを提案する。
サンプリングの複雑さを低減し、利用可能なデータをより効率的に利用するために、IRLアルゴリズムに経験再生(ER)技術を導入している。
IRLに基づくアルゴリズムの収束と制御された交通力学の安定性は、リャプノフ理論によって証明される。
論文 参考訳（メタデータ） (2022-09-13T04:28:49Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines [48.7576911714538]
提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
論文 参考訳（メタデータ） (2021-06-26T23:19:06Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。