論文の概要: Integrated Vehicle Routing and Monte Carlo Scheduling Approach for the
Home Service Assignment, Routing, and Scheduling Problem
- arxiv url: http://arxiv.org/abs/2106.16176v1
- Date: Wed, 30 Jun 2021 16:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 17:10:41.998365
- Title: Integrated Vehicle Routing and Monte Carlo Scheduling Approach for the
Home Service Assignment, Routing, and Scheduling Problem
- Title(参考訳): ホームサービスアサインメント, ルーティング, スケジューリング問題に対する統合車両ルーティングとモンテカルロスケジューリングアプローチ
- Authors: Shamay G. Samuel, Enrique Areyan Viqueira, Serdar Kadioglu
- Abstract要約: ホームサービスマネジメントによるH-SARA問題の定式化と解決を行う。
私たちは、旅行時間、期間、および顧客のキャンセルがサービス管理であると仮定します。
キャンセルの2つのモデルと、ルーティングとスケジューリングへの影響について紹介する。
本研究は, 最適ルーティング, スケジューリング, および経路破壊メタヒューリスティックが両モデルのキャンセルに与える影響を示す一連の数値実験について考察する。
- 参考スコア(独自算出の注目度): 0.2578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We formulate and solve the H-SARA Problem, a Vehicle Routing and Appointment
Scheduling Problem motivated by home services management. We assume that travel
times, service durations, and customer cancellations are stochastic. We use a
two-stage process that first generates teams and routes using a VRP Solver with
optional extensions and then uses an MC Scheduler that determines expected
arrival times by teams at customers. We further introduce two different models
of cancellation and their associated impacts on routing and scheduling.
Finally, we introduce the Route Fracture Metaheuristic that iteratively
improves an H-SARA solution by replacing the worst-performing teams. We present
insights into the problem and a series of numerical experiments that illustrate
properties of the optimal routing, scheduling, and the impact of the Route
Fracture Metaheuristic for both models of cancellation.
- Abstract(参考訳): 本研究では,ホームサービス管理を動機とする車両ルーティング・アポポインメントスケジューリング問題であるH-SARA問題を定式化し,解決する。
旅行時間、サービス継続時間、顧客キャンセルが確率的であると仮定します。
まず、オプション拡張付きのVRP Solverを使用してチームとルートを生成し、次にMC Schedulerを使用して、顧客のチームによる期待到着時間を決定する。
さらに、キャンセルの2つの異なるモデルと、ルーティングとスケジューリングへの影響についても紹介する。
最後に,最もパフォーマンスの悪いチームを置き換えることで,H-SARAソリューションを反復的に改善する経路破壊メタヒューリスティックを導入する。
そこで本研究では, 最適経路, スケジューリング, および経路破壊のメタヒューリスティックが両モデルに与えた影響について, 問題と数値実験について考察する。
関連論文リスト
- Solving the Team Orienteering Problem with Transformers [46.93254771681026]
車両群のためのルートプランニングは、荷物の配送、監視、輸送といった応用において重要な課題である。
本稿では,チームオリエンテーリング問題を高速かつ高精度に解決できる多エージェント経路計画システムを提案する。
論文 参考訳(メタデータ) (2023-11-30T16:10:35Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳(メタデータ) (2023-10-26T15:42:29Z) - MultiZenoTravel: a Tunable Benchmark for Multi-Objective Planning with
Known Pareto Front [71.19090689055054]
多目的AI計画では、既知のPareto Frontsを示すベンチマークが不足している。
提案するベンチマーク生成器と専用ソルバは、結果のインスタンスの真のParetoを確実に計算する。
本稿では,制約された問題に対して最適な計画を示すとともに,制約された問題に対する一般的な問題を減らす方法を示す。
論文 参考訳(メタデータ) (2023-04-28T07:09:23Z) - Combinatorial Optimization enriched Machine Learning to solve the
Dynamic Vehicle Routing Problem with Time Windows [5.4807970361321585]
最適化層を組み込んだ新しい機械学習パイプラインを提案する。
最近,EURO Meets NeurIPS Competition at NeurIPS 2022において,このパイプラインを波による動的車両ルーティング問題に適用した。
提案手法は,提案した動的車両経路問題の解法において,他の全ての手法よりも優れていた。
論文 参考訳(メタデータ) (2023-04-03T08:23:09Z) - Preference-Aware Delivery Planning for Last-Mile Logistics [3.04585143845864]
最適化手法と機械学習手法の両方の長所を組み合わせた,学習可能なパラメータを持つ新しい階層的経路を提案する。
Amazon Last Mile Research Challengeが提供する実際のデリバリデータセットを使用することで、最適化と機械学習コンポーネントの両方を持つことの重要性を実証する。
論文 参考訳(メタデータ) (2023-03-08T02:10:59Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳(メタデータ) (2022-05-30T18:40:28Z) - An Online Approach to Solve the Dynamic Vehicle Routing Problem with
Stochastic Trip Requests for Paratransit Services [5.649212162857776]
動的車両ルーティング問題(DVRP)を解決するための完全オンライン手法を提案する。
時間的に疎いため、パラトランジットリクエストのバッチ化は困難である。
我々はモンテカルロ木探索を用いて任意の状態に対する行動を評価する。
論文 参考訳(メタデータ) (2022-03-28T22:15:52Z) - $\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices
in V2X Scenarios [68.33556559127011]
$pi$-roadは、道路沿いの通常のモバイルトラフィックパターンを自動的に学習し、定期的でないイベントを検出し、重大度で分類するフレームワークである。
この結果から,$pi$-ROADは未発生の道路イベントの検出と分類に成功し,すでに稼働しているサービスに対するENSの影響を最大30%削減できることがわかった。
論文 参考訳(メタデータ) (2020-12-11T09:35:55Z) - A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by
Persistently Optimizing a Switchable Action Dependency Graph [65.70656676650391]
複数の自動誘導車両 (AGV) が共通作業空間をナビゲートし, 様々な作業を行う。
一つのアプローチは、Action Dependency Graph (ADG)を構築し、そのルートに沿って進むとAGVの順序を符号化する。
ワークスペースが人間やサードパーティロボットのような動的障害によって共有されている場合、AGVは大きな遅延を経験することができる。
本稿では,各AGVの経路完了時間を最小限に抑えるために,非循環ADGを繰り返し修正するオンライン手法を提案する。
論文 参考訳(メタデータ) (2020-10-11T14:39:50Z) - Learning to Solve Vehicle Routing Problems with Time Windows through
Joint Attention [6.155158115218501]
複数のツアーの協調行動空間に注意を払って複数のルートを同時に開始・拡張できる政策モデルを開発する。
時間窓付き車両経路問題の3つの変種に関する総合的な実験において、我々のモデルであるJAMPRは、異なる問題サイズでうまく機能し、既存の最先端建設モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-06-16T12:08:10Z) - UFTR: A Unified Framework for Ticket Routing [27.361225596898045]
今日、企業は顧客サービスのタイムリーかつ効果的なデリバリに対する需要が増えている。
このタスクは、未解決のサービスインシデント、あるいは"チケット"を適切なサービス専門家のグループにマッチさせることです。
本研究は,エンド・ツー・エンド・モデリング手法を用いて,両サブプロブレムを共同で扱う。
論文 参考訳(メタデータ) (2020-03-02T08:01:14Z)
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。