Fugu-MT 論文翻訳(概要): Learning to Solve Vehicle Routing Problems: A Survey

論文の概要: Learning to Solve Vehicle Routing Problems: A Survey

arxiv url: http://arxiv.org/abs/2205.02453v1
Date: Thu, 5 May 2022 05:48:16 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 15:20:54.752514
Title: Learning to Solve Vehicle Routing Problems: A Survey
Title（参考訳）: 車両経路問題を解決するための学習:調査
Authors: Aigerim Bogyrbayeva, Meraryslan Meraliyev, Taukekhan Mustakhov, Bissenbay Dauletbayev
Abstract要約: 本稿では,学習パラダイム,解構造,基礎モデル,アルゴリズムの分類について述べる。本稿は,現代の交通システムにおける課題を克服するため,学習型ソリューションの導入に向けた今後の研究の方向性について概説する。
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: This paper provides a systematic overview of machine learning methods applied to solve NP-hard Vehicle Routing Problems (VRPs). Recently, there has been a great interest from both machine learning and operations research communities to solve VRPs either by pure learning methods or by combining them with the traditional hand-crafted heuristics. We present the taxonomy of the studies for learning paradigms, solution structures, underlying models, and algorithms. We present in detail the results of the state-of-the-art methods demonstrating their competitiveness with the traditional methods. The paper outlines the future research directions to incorporate learning-based solutions to overcome the challenges of modern transportation systems.
Abstract（参考訳）: 本稿では,NP-hard Vehicle Routing Problems (VRPs) を解くための機械学習手法の体系的概要を提供する。近年、機械学習と運用研究コミュニティの双方から、純粋な学習方法によるVRPの解決や、従来の手作りのヒューリスティックと組み合わせることで、大きな関心を集めている。本稿では,学習パラダイム,解構造,基礎モデル,アルゴリズムに関する研究の分類について述べる。本稿では,従来の手法との競争性を実証する最先端手法の結果を詳述する。本稿では,現代の交通システムの課題を克服するために,学習に基づくソリューションを組み込むための今後の研究方向について概説する。

関連論文リスト

NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
論文参考訳（メタデータ） (2022-11-14T17:10:53Z)
Sample-Efficient, Exploration-Based Policy Optimisation for Routing Problems [2.6782615615913348]
本稿では,エントロピーに基づく新しい強化学習手法を提案する。さらに、我々は、期待したリターンを最大化する、政治以外の強化学習手法を設計する。我々のモデルは様々な経路問題に一般化可能であることを示す。
論文参考訳（メタデータ） (2022-05-31T09:51:48Z)
Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文参考訳（メタデータ） (2022-02-28T06:28:44Z)
Deep Learning Methods for Abstract Visual Reasoning: A Survey on Raven's Progressive Matrices [0.0]
私たちは最も一般的なタスクタイプであるRavenのプログレッシブマトリックス(RPM)に注目し、RPMを解決するために適用される学習方法とディープニューラルネットワークのレビューを提供します。本稿は,RPM研究の発見から実世界の問題がいかに恩恵を受けるかを示すことによって,論文を締めくくっている。
論文参考訳（メタデータ） (2022-01-28T19:24:30Z)
Guidelines for the Computational Testing of Machine Learning approaches to Vehicle Routing Problems [3.3946853660795884]
我々は,機械学習コミュニティが提案するVRPのアプローチの計算的研究において生じる課題を強調した。 OR論文で示されたものの特徴を持つ計算研究が実現されることを願っている。
論文参考訳（メタデータ） (2021-09-28T18:47:43Z)
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)
Learning Algorithms for Regenerative Stopping Problems with Applications to Shipping Consolidation in Logistics [8.111251824291244]
制御器が停止し、長期平均コストを最小限に抑えると、システムが再起動する再生停止問題について検討する。従来のモデルベースのソリューションは、推定モデルのためのデータとコンピューティング戦略から基礎となるプロセスを推定する。シミュレーションからニューラルネットワークのポリシーを学習する深層強化学習と模擬学習とを比較します。
論文参考訳（メタデータ） (2021-05-05T20:45:46Z)
RP-DQN: An application of Q-Learning to Vehicle Routing Problems [2.6750287043724303]
提案手法は,CVRP上でノードを逐次挿入してソリューションを構築する自動回帰ポリシーの最先端性能を実現する。我々は、mdvrpに機械学習手法で取り組み、この問題タイプが、他のmlメソッドよりも我々のアプローチから大きな利益を得られることを実証した。
論文参考訳（メタデータ） (2021-04-25T18:28:35Z)
A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文参考訳（メタデータ） (2021-02-28T16:22:58Z)
Model-Based Machine Learning for Communications [110.47840878388453]
モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
論文参考訳（メタデータ） (2021-01-12T19:55:34Z)
Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。