論文の概要: Neural Airport Ground Handling
- arxiv url: http://arxiv.org/abs/2303.02442v1
- Date: Sat, 4 Mar 2023 15:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 19:38:17.703346
- Title: Neural Airport Ground Handling
- Title(参考訳): ニューラル空港の接地
- Authors: Yaoxin Wu, Jianan Zhou, Yunwen Xia, Xianli Zhang, Zhiguang Cao, Jie
Zhang
- Abstract要約: 空港の地上処理(AGH)は、ターンアラウンドの飛行に必要な操作を提供する。
既存のAGHの手法は通常、膨大なドメイン知識で設計されるが、高品質なソリューションを効率よく得られない。
本稿では,AGHをサブプロブレム(すなわちVRP)に分解する構築フレームワークを提案し,これらのサブプロブレムに対するルーティングソリューションを構築するためのニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 9.293266097973888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Airport ground handling (AGH) offers necessary operations to flights during
their turnarounds and is of great importance to the efficiency of airport
management and the economics of aviation. Such a problem involves the interplay
among the operations that leads to NP-hard problems with complex constraints.
Hence, existing methods for AGH are usually designed with massive domain
knowledge but still fail to yield high-quality solutions efficiently. In this
paper, we aim to enhance the solution quality and computation efficiency for
solving AGH. Particularly, we first model AGH as a multiple-fleet vehicle
routing problem (VRP) with miscellaneous constraints including precedence, time
windows, and capacity. Then we propose a construction framework that decomposes
AGH into sub-problems (i.e., VRPs) in fleets and present a neural method to
construct the routing solutions to these sub-problems. In specific, we resort
to deep learning and parameterize the construction heuristic policy with an
attention-based neural network trained with reinforcement learning, which is
shared across all sub-problems. Extensive experiments demonstrate that our
method significantly outperforms classic meta-heuristics, construction
heuristics and the specialized methods for AGH. Besides, we empirically verify
that our neural method generalizes well to instances with large numbers of
flights or varying parameters, and can be readily adapted to solve real-time
AGH with stochastic flight arrivals. Our code is publicly available at:
https://github.com/RoyalSkye/AGH.
- Abstract(参考訳): 空港の地上取扱い(agh: airport ground handling)は、空港運営の効率化と航空経済学において重要な役割を担っている。
このような問題は、複雑な制約を持つNPハード問題につながる操作間の相互作用を伴う。
したがって、既存のAGHの手法は通常、膨大なドメイン知識で設計されるが、高品質なソリューションを効率よく得られない。
本稿では,AGHの解法品質と計算効率を向上させることを目的とする。
特に, 優先性, 時間窓, キャパシティといった雑な制約を伴って, マルチフライ車両ルーティング問題 (VRP) としてAGHをモデル化した。
次に,AGHをサブプロブレム(すなわちVRP)に分解する構築フレームワークを提案し,これらのサブプロブレムに対するルーティングソリューションを構築するためのニューラルネットワークを提案する。
具体的には、すべてのサブプロブレム間で共有される強化学習で訓練された注意に基づくニューラルネットワークを用いて、建設ヒューリスティックな政策を深く学習し、パラメータ化する。
大規模な実験により,本手法は古典的メタヒューリスティックス,建設ヒューリスティックス,およびAGHの特殊手法よりも優れていた。
さらに,我々のニューラルメソッドは,多数のフライトやパラメータの異なるインスタンスによく一般化し,確率的なフライト到着を伴うリアルタイムAGHの解決に容易に適応可能であることを実証的に検証した。
私たちのコードは、https://github.com/RoyalSkye/AGH.comで公開されています。
関連論文リスト
- An Efficient Learning-based Solver Comparable to Metaheuristics for the
Capacitated Arc Routing Problem [67.92544792239086]
我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。
まず,方向対応型注意モデル(DaAM)を提案する。
第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
論文 参考訳(メタデータ) (2024-03-11T02:17:42Z) - 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) - Learning Large Neighborhood Search for Vehicle Routing in Airport Ground
Handling [18.115268427898993]
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。
論文 参考訳(メタデータ) (2023-02-27T14:16:36Z) - Genetic algorithms for the resource-constrained project scheduling
problem in aircraft heavy maintenance [0.0]
本稿では,資源制約付きプロジェクトスケジューリング問題(RCPSP)をAHMで解くための遺伝的アルゴリズムを提案する。
本研究の目的は,メンテナンス計画の規模を最小化することであった。
論文 参考訳(メタデータ) (2022-06-16T13:41:20Z) - MAP-Elites based Hyper-Heuristic for the Resource Constrained Project
Scheduling Problem [0.3359875577705538]
資源制約型プロジェクトスケジューリング問題(RCPSP)はNP-Hard最適化問題である。
本稿では, MAP-Elites を用いたハイパーヒューリスティック (MEHH) を用いて, RCPSP の効率的な優先ルールの自動発見を行う。
論文 参考訳(メタデータ) (2022-04-24T01:49:59Z) - On the Difficulty of Generalizing Reinforcement Learning Framework for
Combinatorial Optimization [6.935838847004389]
現実の応用とグラフ上の組合せ最適化問題(COP)は、コンピュータサイエンスにおける標準的な課題である。
このアプローチの基本原理は、ノードのローカル情報とグラフ構造化データの両方を符号化するグラフニューラルネットワーク(GNN)をデプロイすることである。
我々は,クラウド上のセキュリティ対応電話機のクローン割り当てを古典的二次代入問題 (QAP) として,深層RLモデルが他の難題の解法に一般的に適用可能であるか否かを調査する。
論文 参考訳(メタデータ) (2021-08-08T19:12:04Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Understanding Overparameterization in Generative Adversarial Networks [56.57403335510056]
generative adversarial network (gans) は、非凹型ミニマックス最適化問題を訓練するために用いられる。
ある理論は、グローバル最適解に対する勾配降下 (gd) の重要性を示している。
ニューラルネットワークジェネレータと線形判別器を併用した多層GANにおいて、GDAは、基礎となる非凹面min-max問題の大域的なサドル点に収束することを示す。
論文 参考訳(メタデータ) (2021-04-12T16:23:37Z) - CATCH: Context-based Meta Reinforcement Learning for Transferrable
Architecture Search [102.67142711824748]
CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。
メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。
また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
論文 参考訳(メタデータ) (2020-07-18T09:35:53Z) - SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep
Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。
SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文 参考訳(メタデータ) (2020-07-09T17:08:44Z) - Learning Adaptive Loss for Robust Learning with Noisy Labels [59.06189240645958]
ロバスト損失は、堅牢な学習問題を扱うための重要な戦略である。
本稿では,強靭なハイパーチューニングが可能なメタ学習手法を提案する。
4種類のSOTA損失関数は, 最小化, 一般利用, 有効性を示す。
論文 参考訳(メタデータ) (2020-02-16T00:53:37Z)
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。