論文の概要: A deep learning Attention model to solve the Vehicle Routing Problem and
the Pick-up and Delivery Problem with Time Windows
- arxiv url: http://arxiv.org/abs/2212.10399v1
- Date: Tue, 20 Dec 2022 16:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:00:22.737104
- Title: A deep learning Attention model to solve the Vehicle Routing Problem and
the Pick-up and Delivery Problem with Time Windows
- Title（参考訳）: タイムウインドウを用いた車両経路問題とピックアップ・デリバリー問題を解くための深層学習注意モデル
- Authors: Baptiste Rabecq, R\'emy Chevrier
- Abstract要約: フランスの公共列車会社SNCFは、車両のルーティング問題に対処して、新しいタイプの交通サービスを開発する実験を行っている。
我々は,CPDPTWの実現可能性チェックのために,アテンション・デコーダ構造を用いて新しい挿入を設計する。
我々のモデルは、CVRPTWでよく知られた学習ソリューションよりも優れた結果をもたらす。
- 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: SNCF, the French public train company, is experimenting to develop new types
of transportation services by tackling vehicle routing problems. While many
deep learning models have been used to tackle efficiently vehicle routing
problems, it is difficult to take into account time related constraints. In
this paper, we solve the Capacitated Vehicle Routing Problem with Time Windows
(CVRPTW) and the Capacitated Pickup and Delivery Problem with Time Windows
(CPDPTW) with a constructive iterative Deep Learning algorithm. We use an
Attention Encoder-Decoder structure and design a novel insertion heuristic for
the feasibility check of the CPDPTW. Our models yields results that are better
than best known learning solutions on the CVRPTW. We show the feasibility of
deep learning techniques for solving the CPDPTW but witness the limitations of
our iterative approach in terms of computational complexity.
- Abstract（参考訳）: フランスの公共列車会社SNCFは、車両ルーティング問題に対処して、新しいタイプの交通サービスを開発する実験を行っている。
多くのディープラーニングモデルが効率的なルーティング問題に取り組むために使われてきたが、時間に関する制約を考慮に入れるのは難しい。
本稿では,CVRPTW(Capacitated Vehicle Routing Problem with Time Windows)とCPDPTW(Capacitated Pickup and Delivery Problem with Time Windows)を,建設的反復ディープラーニングアルゴリズムを用いて解く。
我々は注意エンコーダ・デコーダ構造を用い, cpdptwの実現可能性チェックのための新しい挿入ヒューリスティックの設計を行った。
我々のモデルは、CVRPTWでよく知られた学習ソリューションよりも優れた結果をもたらす。
cpdptwを解くための深層学習手法の実現可能性を示すとともに,計算複雑性の観点からの反復的アプローチの限界を指摘する。
関連論文リスト
- Unlocking Carbon Reduction Potential with Reinforcement Learning for the
Three-Dimensional Loading Capacitated Vehicle Routing Problem [54.43397200631224]
効率を上げるためのソリューションとして、協調車両ルーティングが提案されている。
現在の運用研究手法は、問題の大きさを増大させる非線形スケーリングに悩まされている。
約線形時間で3次元負荷容量化車両ルーティング問題を解くための強化学習モデルを開発した。
論文 参考訳（メタデータ） (2023-07-22T18:05:28Z) - Roulette-Wheel Selection-Based PSO Algorithm for Solving the Vehicle
Routing Problem with Time Windows [58.891409372784516]
本稿では,Roulette Wheel Method (RWPSO) を用いた新しいPSO手法を提案する。
RWPSOのSolomon VRPTWベンチマークデータセットを用いた実験は、RWPSOが文学の他の最先端アルゴリズムと競合していることを示している。
論文 参考訳（メタデータ） (2023-06-04T09:18:02Z) - Towards Omni-generalizable Neural Methods for Vehicle Routing Problems [14.210085924625705]
本稿では,VRPにおけるサイズと分布の両面での一般化を考慮した,挑戦的かつ現実的な設定について検討する。
提案するメタラーニングフレームワークは,推論中に新しいタスクに迅速に適応する能力を持つモデルを効果的に学習することを可能にする。
論文 参考訳（メタデータ） (2023-05-31T06:14:34Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Combining Constructive and Perturbative Deep Learning Algorithms for the
Capacitated Vehicle Routing Problem [0.0]
容量化車両ルーティング問題(Capacitated Vehicle Routing Problem)は、複数の場所に製品を届ける車両の最適経路を見つけることの難題となるNPハード問題である。
近年,この問題に対処する構築的で摂動的なディープラーニングベースのアルゴリズムの開発が試みられている。
本稿では,2つの強力な構築型および摂動型ディープラーニングに基づくアルゴリズムを組み合わせた,複合型Deep ConstructorとPerturbatorを提案する。
論文 参考訳（メタデータ） (2022-11-25T06:20:11Z) - Combining Reinforcement Learning and Optimal Transport for the Traveling
Salesman Problem [18.735056206844202]
我々は,従来の自己回帰的アプローチよりもはるかに高速に,監督や推論なしに学習できるモデルを構築することができることを示す。
また、ディープラーニングモデルに最適なトランスポートアルゴリズムを組み込むことで、エンドツーエンドのトレーニング中に割り当て制約を強制する利点を実証的に評価する。
論文 参考訳（メタデータ） (2022-03-02T07:21:56Z) - 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) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳（メタデータ） (2021-03-08T05:34:05Z) - Deep Policy Dynamic Programming for Vehicle Routing Problems [89.96386273895985]
本稿では,学習ニューラルの強みと動的プログラミングアルゴリズムの強みを組み合わせた深層ポリシー動的プログラミング(d pdp)を提案する。
D PDPは、例の解からエッジを予測するために訓練されたディープニューラルネットワークから派生したポリシーを使用して、DP状態空間を優先し、制限する。
本研究では,旅行セールスマン問題 (TSP) と車両ルーティング問題 (VRP) の枠組みを評価し,ニューラルネットワークが(制限された)DPアルゴリズムの性能を向上させることを示す。
論文 参考訳（メタデータ） (2021-02-23T15:33:57Z) - 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) - Multi-Vehicle Routing Problems with Soft Time Windows: A Multi-Agent
Reinforcement Learning Approach [9.717648122961483]
ソフトタイムウインドウ(MVRPSTW)を用いたマルチ車両ルーティング問題は、都市ロジスティクスシステムにおいて不可欠である。
従来の手法は計算効率と解の質のジレンマを引き起こす。
そこで本研究では,ルーティング問題の解決に要する時間的オフライントレーニングのメリットを即時評価する,Multi-Agent Attention Modelと呼ばれる新しい強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-13T14:26:27Z)
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。