論文の概要: Integrated trucks assignment and scheduling problem with mixed service mode docks: A Q-learning based adaptive large neighborhood search algorithm

• arxiv url: http://arxiv.org/abs/2412.09090v1
• Date: Thu, 12 Dec 2024 09:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:30:57.530305
• Title: Integrated trucks assignment and scheduling problem with mixed service mode docks: A Q-learning based adaptive large neighborhood search algorithm
• Title（参考訳）: 混合サービスモードドッキングを用いた統合トラックの配置とスケジューリング問題:Qラーニングに基づく適応型大規模近傍探索アルゴリズム
• Authors: Yueyi Li, Mehrdad Mohammadi, Xiaodong Zhang, Yunxing Lan, Willem van Jaarsveld,
• Abstract要約: 混合サービスモードドックは、倉庫内のトラックの荷積みと降ろしの両方を柔軟に扱い、効率を高める。 本稿では,ドッキングモードの決定,トラックの割り当て,スケジューリングを統合した新しいモデルを提案する。 統合問題に対処するために,Qラーニングに基づく適応型大規模近傍探索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.4693397031205022
• License:
• Abstract: Mixed service mode docks enhance efficiency by flexibly handling both loading and unloading trucks in warehouses. However, existing research often predetermines the number and location of these docks prior to planning truck assignment and sequencing. This paper proposes a new model integrating dock mode decision, truck assignment, and scheduling, thus enabling adaptive dock mode arrangements. Specifically, we introduce a Q-learning-based adaptive large neighborhood search (Q-ALNS) algorithm to address the integrated problem. The algorithm adjusts dock modes via perturbation operators, while truck assignment and scheduling are solved using destroy and repair local search operators. Q-learning adaptively selects these operators based on their performance history and future gains, employing the epsilon-greedy strategy. Extensive experimental results and statistical analysis indicate that the Q-ALNS benefits from efficient operator combinations and its adaptive mechanism, consistently outperforming benchmark algorithms in terms of optimality gap and Pareto front discovery. In comparison to the predetermined service mode, our adaptive strategy results in lower average tardiness and makespan, highlighting its superior adaptability to varying demands.
• Abstract（参考訳）: 混合サービスモードドックは、倉庫内のトラックの荷積みと降ろしの両方を柔軟に扱い、効率を高める。 しかし、既存の研究は、トラックの割り当てとシークエンシングを計画する前に、これらのドックの数と場所を決定することが多い。 本稿では,ドッキングモードの決定,トラックの割り当て,スケジューリングを統合した新しいモデルを提案する。 具体的には,Q-ラーニングに基づく適応型大近傍探索(Q-ALNS)アルゴリズムを導入し,その統合問題に対処する。 このアルゴリズムは摂動演算子を用いてドッキングモードを調整し、トラックの割り当てとスケジューリングは局所探索演算子を破壊修理して解決する。 Q-learningは、エプシロン・グレーディ戦略を用いて、これらの演算子のパフォーマンス履歴と将来の利益に基づいて適応的にこれらの演算子を選択する。 大規模な実験結果と統計的分析により、Q-ALNSは効率的な演算子の組み合わせとその適応メカニズムの恩恵を受けており、最適性ギャップとパレートフロント発見の点でベンチマークアルゴリズムを一貫して上回っていることが示されている。 所定のサービスモードと比較して,我々の適応戦略は,平均的タドネスとメースパンを低くし,要求に応じて優れた適応性を示す。

関連論文リスト

• Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
  我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。 画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
  論文  参考訳（メタデータ） (2024-12-19T18:58:14Z)
• Dynamic operator management in meta-heuristics using reinforcement learning: an application to permutation flowshop scheduling problems [0.3495246564946556]
  本研究では,メタヒューリスティックスにおける探索演算子のポートフォリオを動的に管理する強化学習に基づくフレームワークを開発する。 動的に更新されたポートフォリオから最も適切な演算子を選択するために、Qラーニングに基づく適応演算子選択機構を用いる。 提案するフレームワークの性能は,置換フローホップスケジューリング問題への適用を通して解析する。
  論文  参考訳（メタデータ） (2024-08-27T08:38:17Z)
• Evolutionary Algorithms for Optimizing Emergency Exit Placement in Indoor Environments [0.0]
  セルラーオートマトンモデルを用いて歩行者の挙動をシミュレートする。 避難がどの程度成功したか、満足できるかを決定するための計量が提案されている。 2つのメタヒューリスティックアルゴリズム、すなわち反復グリーディと進化的アルゴリズム(EA)がこの問題を解決するために提案されている。
  論文  参考訳（メタデータ） (2024-05-28T16:50:42Z)
• 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)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• Dynamic Origin-Destination Matrix Estimation in Urban Traffic Networks [0.05735035463793007]
  この問題を二段階最適化問題としてモデル化する。 内部レベルでは、暫定的な旅行需要を前提として、動的な交通割当問題を解決し、利用者の出身地と目的地間のルーティングを決定する。 外層部では,交通ネットワーク内のセンサによって測定された車両数と内層部で発生したカウンタの差を最小限に抑えることを目的として,旅行数とその出発点および目的地の調整を行う。
  論文  参考訳（メタデータ） (2022-01-31T21:33:46Z)
• Location-routing Optimisation for Urban Logistics Using Mobile Parcel Locker Based on Hybrid Q-Learning Algorithm [0.0]
  パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。 本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:27:12Z)
• AdaPool: A Diurnal-Adaptive Fleet Management Framework using Model-Free Deep Reinforcement Learning and Change Point Detection [34.77250498401055]
  本稿では,車いすによる乗り合い環境における日中パターンを認識・適応できる適応型モデルフリー深部強化手法を提案する。 本論文では, 配車における適応論理に加えて, 動的かつ需要に応じた車両通行者マッチングと経路計画の枠組みを提案する。
  論文  参考訳（メタデータ） (2021-04-01T02:14:01Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• 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。