論文の概要: Optimization-based Learning for Dynamic Load Planning in Trucking
Service Networks
- arxiv url: http://arxiv.org/abs/2307.04050v1
- Date: Sat, 8 Jul 2023 21:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 15:48:37.498522
- Title: Optimization-based Learning for Dynamic Load Planning in Trucking
Service Networks
- Title(参考訳): トラックサービスネットワークにおける動的負荷計画のための最適化に基づく学習
- Authors: Ritesh Ojha, Wenbo Chen, Hanyu Zhang, Reem Khir, Alan Erera, Pascal
Van Hentenryck
- Abstract要約: 本稿では,フロー計画と負荷計画の両課題を共同で検討する動的負荷計画問題(DLPP)について考察する。
本研究の目的は,ネットワーク上の端末で意思決定を行う計画立案者に対して,意思決定支援ツールを開発することである。
- 参考スコア(独自算出の注目度): 14.611528740102582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The load planning problem is a critical challenge in service network design
for parcel carriers: it decides how many trailers (or loads) to assign for
dispatch over time between pairs of terminals. Another key challenge is to
determine a flow plan, which specifies how parcel volumes are assigned to
planned loads. This paper considers the Dynamic Load Planning Problem (DLPP)
that considers both flow and load planning challenges jointly to adjust loads
and flows as the demand forecast changes over time before the day of
operations. The paper aims at developing a decision-support tool to inform
planners making these decisions at terminals across the network. The paper
formulates the DLPP as a MIP and shows that it admits a large number of
symmetries in a network where each commodity can be routed through primary and
alternate paths. As a result, an optimization solver may return fundamentally
different solutions to closely related problems, confusing planners and
reducing trust in optimization. To remedy this limitation, the paper proposes a
Goal-Directed Optimization that eliminates those symmetries by generating
optimal solutions staying close to a reference plan. The paper also proposes an
optimization proxy to address the computational challenges of the optimization
models. The proxy combines a machine learning model and a feasibility
restoration model and finds solutions that satisfy real-time constraints
imposed by planners-in-the-loop. An extensive computational study on industrial
instances shows that the optimization proxy is around 10 times faster than the
commercial solver in obtaining the same quality solutions and orders of
magnitude faster for generating solutions that are consistent with each other.
The proposed approach also demonstrates the benefits of the DLPP for load
consolidation, and the significant savings obtained from combining machine
learning and optimization.
- Abstract(参考訳): 負荷計画問題は、パーセルキャリアのサービスネットワーク設計において重要な課題であり、端末間の時間的ディスパッチを割り当てるトレーラー(またはロード)の数を決定する。
もうひとつの重要な課題は、計画された負荷にどのようにパーセルボリュームを割り当てるかを指定するフロープランを決定することだ。
本稿では,需要予測が運用開始前の時間とともに変化する中で,負荷と流れを調整するための流れと負荷計画の課題を共同で考慮した動的負荷計画問題(dlpp)について考察する。
この論文は、ネットワーク全体の端末でこれらの決定を行うプランナーに通知する意思決定支援ツールの開発を目的としている。
本論文は,DLPPをMIPとして定式化し,各商品を一次経路および代替経路にルーティング可能なネットワークにおいて,多数の対称性を有することを示す。
その結果、最適化解法は基本的に異なる解を密接に関連する問題に還元し、プランナーを混乱させ、最適化の信頼を減らすことができる。
この制限を緩和するために,参照計画に近い最適解を生成することで,これらの対称性を解消するゴール指向最適化を提案する。
また,最適化モデルの計算課題に対処するための最適化プロキシを提案する。
このプロキシは、機械学習モデルと実現可能性復元モデルを組み合わせて、プランナーがループ内で課すリアルタイム制約を満たすソリューションを見つける。
産業インスタンスに関する広範な計算研究により、最適化プロキシは、互いに整合性のあるソリューションを生成する上で、同じ品質のソリューションと桁違いの順序を得る際に、商用の解決器よりも約10倍高速であることが示された。
提案手法は,負荷統合のためのDLPPの利点と,機械学習と最適化を組み合わせることで得られる大幅な節約効果を示す。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - Optimal Chaining of Vehicle Plans with Time Windows [0.0]
本研究は,時間ウィンドウで許容される遅延を考慮した新しい計画連鎖定式化と解法を提案する。
静的ダイヤル・ア・ライド問題を解くための新しい車両ディスパッチ手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T16:04:55Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳(メタデータ) (2023-12-28T23:15:18Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Optimizing Inventory Routing: A Decision-Focused Learning Approach using
Neural Networks [0.0]
我々は、現実世界のIRPを解決するための意思決定に基づくアプローチを定式化し、提案する。
このアプローチは、在庫予測とルーティング最適化を直接エンドツーエンドシステムに統合することで、堅牢なサプライチェーン戦略を保証する可能性がある。
論文 参考訳(メタデータ) (2023-11-02T04:05:28Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Sequential Information Design: Markov Persuasion Process and Its
Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。
MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。
我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文 参考訳(メタデータ) (2022-02-22T05:41:43Z) - MAMRL: Exploiting Multi-agent Meta Reinforcement Learning in WAN Traffic
Engineering [4.051011665760136]
ロードバランシングやフロースケジューリング、パケット配信時間の改善といったトラフィック最適化の課題は、広域ネットワーク(WAN)におけるオンライン意思決定の問題である。
我々は,マルチエージェントメタ強化学習(MAMRL)を用いて,各パケットの次ホップを最小限の時間で決定できるモデルフリーアプローチを開発し,評価する。
論文 参考訳(メタデータ) (2021-11-30T03:01:01Z) - Scheduling in Parallel Finite Buffer Systems: Optimal Decisions under
Delayed Feedback [29.177402567437206]
本稿では,遅延認識の限られた情報の下で並列キューシステムにおけるスケジューリング決定をキャプチャする部分観測可能(PO)モデルを提案する。
得られたポリシーが他の限られた情報スケジューリング戦略より優れていることを数値的に示す。
本稿では,Kaggleが提供するネットワークデータを用いてリアルタイム並列処理を最適化する方法を示す。
論文 参考訳(メタデータ) (2021-09-17T13:45:02Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。