論文の概要: Learning Large Neighborhood Search for Vehicle Routing in Airport Ground Handling

• arxiv url: http://arxiv.org/abs/2302.13797v1
• Date: Mon, 27 Feb 2023 14:16:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 15:29:54.161239
• Title: Learning Large Neighborhood Search for Vehicle Routing in Airport Ground Handling
• Title（参考訳）: 空港グラウンドハンドリングにおける車両経路探索の大規模学習
• Authors: Jianan Zhou, Yaoxin Wu, Zhiguang Cao, Wen Song, Jie Zhang, Zhenghua Chen
• Abstract要約: 実機による実験結果から,提案手法は最大200回の飛行と10種類の操作を同時に行うことが可能であることが示唆された。 我々は、模擬学習とグラフ畳み込みネットワーク(GCN)を用いて、破壊演算子を学習し、自動的に変数を選択する。
• 参考スコア（独自算出の注目度）: 18.115268427898993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dispatching vehicle fleets to serve flights is a key task in airport ground handling (AGH). Due to the notable growth of flights, it is challenging to simultaneously schedule multiple types of operations (services) for a large number of flights, where each type of operation is performed by one specific vehicle fleet. To tackle this issue, we first represent the operation scheduling as a complex vehicle routing problem and formulate it as a mixed integer linear programming (MILP) model. Then given the graph representation of the MILP model, we propose a learning assisted large neighborhood search (LNS) method using data generated based on real scenarios, where we integrate imitation learning and graph convolutional network (GCN) to learn a destroy operator to automatically select variables, and employ an off-the-shelf solver as the repair operator to reoptimize the selected variables. Experimental results based on a real airport show that the proposed method allows for handling up to 200 flights with 10 types of operations simultaneously, and outperforms state-of-the-art methods. Moreover, the learned method performs consistently accompanying different solvers, and generalizes well on larger instances, verifying the versatility and scalability of our method.
• Abstract（参考訳）: 航空便に車両を派遣することは、空港の地上処理(agh)において重要な任務である。 飛行の顕著な増加により、多数の飛行に対して複数の種類の運用(サービス)を同時にスケジュールすることは困難であり、各種類の運用は1つの特定の車両によって行われる。 この問題に取り組むため,我々はまず,複雑な車両経路問題として操作スケジューリングを表現し,混合整数線形計画(milp)モデルとして定式化する。 そして,MILPモデルのグラフ表現から,実シナリオに基づいて生成したデータを用いた学習支援大規模近傍探索(LNS)手法を提案する。そこでは,模倣学習とグラフ畳み込みネットワーク(GCN)を統合して,破壊演算子を学習して変数を自動的に選択し,修復演算子としてオフザシェルフソルバを用いて,選択した変数を再最適化する。 実機による実験結果から,提案手法は最大200回の飛行と10種類の操作を同時に行うことができ,最先端の手法よりも優れていた。 さらに,本手法は,様々な解法に一貫して対応し,大規模インスタンスによく一般化し,汎用性と拡張性を検証する。

関連論文リスト

• Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
  一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。 本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:24:54Z)
• Collaborative Route Planning of UAVs, Workers and Cars for Crowdsensing in Disaster Response [14.917259561255177]
  無人航空機(UAV)、作業員、車両は、災害に遭った地域で、データ収集などのセンシングタスクを達成するために協力することができる。 複数の効率的な設計を取り入れた異種多エージェント経路計画アルゴリズムMANF-RL-RPを提案する。 Greedy-SC-RPとMANF-DNN-RPのベースラインアルゴリズムと比較して、MANF-RL-RPはタスク完了率において大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-21T23:54:59Z)
• TADIL: Task-Agnostic Domain-Incremental Learning through Task-ID Inference using Transformer Nearest-Centroid Embeddings [0.0]
  ドメイン・インクリメンタル・ラーニングのシナリオにおいて,教師なしのタスクを識別するための新しいパイプラインを提案する。 我々は、パイプラインの軽量な計算要求を活用して、新しいタスクをいつ学習するかをオンラインで決定するアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2023-06-21T00:55:02Z)
• Visual Exemplar Driven Task-Prompting for Unified Perception in Autonomous Driving [100.3848723827869]
  本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。 具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。 我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
  論文  参考訳（メタデータ） (2023-03-03T08:54:06Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• CLUTR: Curriculum Learning via Unsupervised Task Representation Learning [130.79246770546413]
  CLUTRは、タスク表現とカリキュラム学習を2段階最適化に分離する、新しいカリキュラム学習アルゴリズムである。 CLUTRは、CarRacingとナビゲーション環境における一般化とサンプル効率の観点から、原則的かつ一般的なUED手法であるPAIREDよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-19T01:45:29Z)
• Supervised Permutation Invariant Networks for Solving the CVRP with Bounded Fleet Size [3.5235974685889397]
  車両ルーティング問題などの最適化問題を解くための学習は、大きな計算上の利点をもたらす。 本研究では,アプリオリ固定数の車両を尊重しながら,スクラッチから完全なツアー計画を構築する強力な教師付きディープラーニングフレームワークを提案する。 効率的な後処理方式と組み合わせることで,教師付きアプローチはより高速かつ容易にトレーニングできるだけでなく,競争力のある結果が得られる。
  論文  参考訳（メタデータ） (2022-01-05T10:32:18Z)
• Error-Aware Imitation Learning from Teleoperation Data for Mobile Manipulation [54.31414116478024]
  移動操作(MM)では、ロボットは環境内を移動して操作することができる。 本研究では,MMタスクに対する連続的なビジュオモダポリシの学習に模倣学習(IL)を適用する方法について検討する。
  論文  参考訳（メタデータ） (2021-12-09T23:54:59Z)
• GAN-Supervised Dense Visual Alignment [95.37027391102684]
  本稿では,識別モデル学習のためのフレームワークであるGAN-Supervised Learningと,GAN生成した学習データをエンドツーエンドで共同で学習する手法を提案する。 従来のCongealing法にインスパイアされた我々のGANgealingアルゴリズムは、Spatial Transformerを訓練し、不整合データに基づいて訓練されたGANのランダムなサンプルを共通の目標モードにマッピングする。
  論文  参考訳（メタデータ） (2021-12-09T18:59:58Z)
• Autoencoding Features for Aviation Machine Learning Problems [0.0]
  本研究では,航空学習問題に対する効果的な特徴を抽出するために,教師なし学習手法であるオートエンコーダについて検討した。 研究結果から,オートエンコーダは,フライトトラックデータに有効な特徴を自動的に抽出するだけでなく,効率的な深部清浄データを抽出し,データサイエンティストの作業量を削減できることが示唆された。 開発されたアプリケーションと技術は、現在および将来の機械学習研究の有効性を改善するために、航空コミュニティ全体と共有されている。
  論文  参考訳（メタデータ） (2020-11-03T04:09:34Z)
• 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。