論文の概要: Edge-DIRECT: A Deep Reinforcement Learning-based Method for Solving Heterogeneous Electric Vehicle Routing Problem with Time Window Constraints
- arxiv url: http://arxiv.org/abs/2407.01615v1
- Date: Fri, 28 Jun 2024 03:18:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-03 20:02:00.756512
- Title: Edge-DIRECT: A Deep Reinforcement Learning-based Method for Solving Heterogeneous Electric Vehicle Routing Problem with Time Window Constraints
- Title（参考訳）: Edge-DIRECT: 時間窓制約による異種電気自動車経路問題の解法のための深層強化学習法
- Authors: Arash Mozhdehi, Mahdi Mohammadizadeh, Xin Wang,
- Abstract要約: 本稿では,時間制約付き異種電気自動車経路問題(HEVRPTW)について検討する。
We propose a DRL-based approach, named Edge-enhanced Dual attentIon encoderR and feature-EnhanCed dual attention decoder (Edge-DIRECT)。
2つの実世界のデータセットに基づく実験結果から、Edge-DIRECTは、最先端のDRLベースの手法と、ソリューションの品質と実行時間の確立したアプローチよりも優れていることが明らかになった。
- 参考スコア（独自算出の注目度）: 4.852613028421959
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In response to carbon-neutral policies in developed countries, electric vehicles route optimization has gained importance for logistics companies. With the increasing focus on customer expectations and the shift towards more customer-oriented business models, the integration of delivery time-windows has become essential in logistics operations. Recognizing the critical nature of these developments, this article studies the heterogeneous electric vehicle routing problem with time-window constraints (HEVRPTW). To solve this variant of vehicle routing problem (VRP), we propose a DRL-based approach, named Edge-enhanced Dual attentIon encoderR and feature-EnhanCed dual aTtention decoder (Edge-DIRECT). Edge-DIRECT features an extra graph representation, the node connectivity of which is based on the overlap of customer time-windows. Edge-DIRECT's self-attention encoding mechanism is enhanced by exploiting the energy consumption and travel time between the locations. To effectively account for the heterogeneity of the EVs' fleet, a dual attention decoder has been introduced. Experimental results based on two real-world datasets reveal that Edge-DIRECT outperforms a state-of-the-art DRL-based method and a well-established heuristic approach in solution quality and execution time. Furthermore, it exhibits competitive performance when compared to another leading heuristic method.
- Abstract（参考訳）: 先進国におけるカーボンニュートラル政策への対応として、電気自動車のルート最適化がロジスティクス企業にとって重要視されている。
顧客の期待に焦点が当てられ、より顧客指向のビジネスモデルへとシフトするにつれ、物流業務においてデリバリタイムウインドウの統合が不可欠になっている。
本稿では、これらの発展の臨界特性を認識し、時間-風制約を伴う異種電気自動車経路問題(HEVRPTW)について考察する。
このような車両ルーティング問題 (VRP) を解決するために, DRL ベースのアプローチである Edge-enhanced Dual attentIon encoderR と Feature-EnhanCed dual aTtention decoder (Edge-DIRECT) を提案する。
Edge-DIRECTは、追加のグラフ表現を備えており、そのノード接続は、ユーザのタイムウインドウの重複に基づいています。
Edge-DIRECTの自己アテンション符号化機構は、位置間のエネルギー消費と移動時間を利用して強化される。
EVの車両の不均一性を効果的に説明するために、デュアルアテンションデコーダが導入された。
2つの実世界のデータセットに基づく実験結果から、Edge-DIRECTは最先端のDRLベースの手法と、ソリューションの品質と実行時間において確立されたヒューリスティックなアプローチよりも優れていることが明らかになった。
さらに、他の先進的なヒューリスティック手法と比較して、競争性能を示す。
関連論文リスト
- Reconfigurable Intelligent Surface Aided Vehicular Edge Computing: Joint Phase-shift Optimization and Multi-User Power Allocation [28.47670676456068]
本稿では、車載通信を支援するための代替通信経路を提供するRIS(Reconfigurable Intelligent Surfaces)について紹介する。
本稿では、RIS位相シフト係数を最適化するDeep Deterministic Policy Gradient(DDPG)アルゴリズムと、車両ユーザ(VU)の電力配分を最適化するMulti-Agent Deep Deterministic Policy Gradient(MADDPG)アルゴリズムを組み合わせたDRLフレームワークを提案する。
シミュレーションの結果,提案手法は従来の集中型DDPG, Twin Delayed Deep Deterministic Policy Gradient (TD3) およびいくつかの典型的なスキームよりも優れていた。
論文 参考訳（メタデータ） (2024-07-18T03:18:59Z) - Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。
WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
論文 参考訳（メタデータ） (2024-07-18T02:46:06Z) - Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。
このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
論文 参考訳（メタデータ） (2024-07-10T20:26:04Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - 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) - A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning [6.625994697789603]
エッジリソースのサービスタスク配置とスケーリングの相互依存問題に対処する。
本稿では,ハイブリッド行動空間に対するDHPG(Deep Reinforcement Learning)アプローチを提案する。
DHPGの性能は、実世界のC-V2Nトラフィックデータセットを用いたシミュレーションにより、いくつかの最先端(SoA)ソリューションに対して評価される。
論文 参考訳（メタデータ） (2023-05-16T22:19:19Z) - Resource Constrained Vehicular Edge Federated Learning with Highly
Mobile Connected Vehicles [41.02566275644629]
本稿では,中央処理ユニット(CPU)およびローカルデータセット上で,エッジサーバが高度に移動可能なコネクテッドカー(CV)を利用してグローバルモデルをトレーニングする,VEFL(vehicular edge federated learning)ソリューションを提案する。
我々は, 遅延, エネルギー, コスト制約下での無線アクセス技術 (RAT) のパラメータ最適化問題を, 局所的に訓練されたモデルの受信を成功させる確率を最大化するために考案した。
論文 参考訳（メタデータ） (2022-10-27T14:33:06Z) - Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。
本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。
本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-12T15:16:45Z)
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。