論文の概要: Proactive Depot Discovery: A Generative Framework for Flexible Location-Routing
- arxiv url: http://arxiv.org/abs/2502.11715v1
- Date: Mon, 17 Feb 2025 12:00:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:14:32.894043
- Title: Proactive Depot Discovery: A Generative Framework for Flexible Location-Routing
- Title(参考訳): Proactive Depot Discovery: フレキシブルなロケーションルーティングのための生成フレームワーク
- Authors: Site Qu, Guoqiang Hu,
- Abstract要約: 位置情報ルーティング問題(LRP)のデポを積極的に生成するデータ駆動型DRLフレームワークを提案する。
我々のフレームワークは、ルーティングコストの低い優れたソリューションルートにつながるデポを積極的に生成することができる。
我々の枠組みは、特に救急医療救助や災害救助の物流において、現実世界の応用にまで拡大する可能性がある。
- 参考スコア(独自算出の注目度): 4.48890356952206
- License:
- Abstract: The Location-Routing Problem (LRP), which combines the challenges of facility (depot) locating and vehicle route planning, is critically constrained by the reliance on predefined depot candidates, limiting the solution space and potentially leading to suboptimal outcomes. Previous research on LRP without predefined depots is scant and predominantly relies on heuristic algorithms that iteratively attempt depot placements across a planar area. Such approaches lack the ability to proactively generate depot locations that meet specific geographic requirements, revealing a notable gap in current research landscape. To bridge this gap, we propose a data-driven generative DRL framework, designed to proactively generate depots for LRP without predefined depot candidates, solely based on customer requests data which include geographic and demand information. It can operate in two distinct modes: direct generation of exact depot locations, and the creation of a multivariate Gaussian distribution for flexible depots sampling. By extracting depots' geographic pattern from customer requests data, our approach can dynamically respond to logistical needs, identifying high-quality depot locations that further reduce total routing costs compared to traditional methods. Extensive experiments demonstrate that, for a same group of customer requests, compared with those depots identified through random attempts, our framework can proactively generate depots that lead to superior solution routes with lower routing cost. The implications of our framework potentially extend into real-world applications, particularly in emergency medical rescue and disaster relief logistics, where rapid establishment and adjustment of depot locations are paramount, showcasing its potential in addressing LRP for dynamic and unpredictable environments.
- Abstract(参考訳): 施設(補給所)の配置と車両の経路計画の課題を組み合わせたロケーション・ルート問題(LRP)は、事前に定義された補給所候補への依存、ソリューション空間の制限、そして潜在的に最適以下の結果に繋がる。
事前定義された補給所を持たないLRPに関する以前の研究は、主に平面領域を横断する補給所配置を反復的に試みるヒューリスティックなアルゴリズムに依存している。
このようなアプローチでは、特定の地理的要件を満たすデポの場所を積極的に生成する能力が欠如しており、現在の研究環境における顕著なギャップが明らかになっている。
このギャップを埋めるために、地理的および需要情報を含む顧客要求データのみに基づいて、予め定義されたデポ候補を必要とせずに、LRPのデポを積極的に生成するデータ駆動型DRLフレームワークを提案する。
正確なデポ位置の直接生成と、柔軟なデポサンプリングのための多変量ガウス分布の生成という、2つの異なるモードで動作することができる。
顧客要求データからデポの地理的パターンを抽出することにより、当社のアプローチはロジカルなニーズに動的に対応し、従来の方法と比較して全体のルーティングコストをさらに削減する高品質なデポ位置を特定することができる。
大規模な実験では、同じ顧客要求のグループに対して、ランダムな試行によって特定されたデポと比較して、我々のフレームワークは、ルーティングコストの低い優れたソリューションルートにつながるデポを積極的に生成できることを示した。
本フレームワークの意義は,特に緊急医療救助や災害救助のロジスティクスにおいて,補給所の迅速な設置と調整が最重要であり,動的かつ予測不能な環境においてLRPに対処する可能性を示している。
関連論文リスト
- Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。
HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2024-06-25T07:42:30Z) - How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-04T13:55:06Z) - A Multi-population Integrated Approach for Capacitated Location Routing [14.897794986447474]
本稿では, 静電容量化問題に対するマルチポピュレーション統合フレームワークを提案する。
効果的な地区ベースの局所探索、実現可能性回復手順、多様化指向の突然変異を含む。
文献からの281のベンチマークインスタンスの実験は、アルゴリズムが驚くほどよく機能していることを示している。
論文 参考訳(メタデータ) (2024-03-14T13:11:30Z) - Competitive Facility Location under Random Utilities and Routing
Constraints [4.9873153106566575]
競争市場における施設配置問題について検討し、ランダムなユーティリティ選択モデルにより顧客の需要が予測される。
我々は,選択した場所を訪問するツアーの存在を保証するために,場所の選択を必要とするルーティング制約を導入する。
論文 参考訳(メタデータ) (2024-03-07T06:56:24Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳(メタデータ) (2022-07-08T18:17:06Z) - Evolutionary Optimization for Proactive and Dynamic Computing Resource
Allocation in Open Radio Access Network [4.9711284100869815]
Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている
このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。
問題をよりよく記述した新しい定式化が提案されている。
論文 参考訳(メタデータ) (2022-01-12T08:52:04Z) - On Reward-Free RL with Kernel and Neural Function Approximations:
Single-Agent MDP and Markov Game [140.19656665344917]
エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。
関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。
我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
論文 参考訳(メタデータ) (2021-10-19T07:26:33Z) - Off-line approximate dynamic programming for the vehicle routing problem
with stochastic customers and demands via decentralized decision-making [0.0]
本稿では,顧客の位置と需要が不確実な車両経路問題(VRP)の変種について検討する。
目的は、車両の容量と時間制限を満たしながら、提供された要求を最大化することである。
本稿では,Replay MemoryやDouble Q Networkといった最先端のアクセラレーション技術を用いたQラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-09-21T14:28:09Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳(メタデータ) (2021-07-27T14:47:24Z) - A Multi-Agent System for Solving the Dynamic Capacitated Vehicle Routing
Problem with Stochastic Customers using Trajectory Data Mining [0.0]
Eコマースはロジスティクス企業にとって新たな課題を生み出している。
本研究は、軌道データマイニング技術を用いて、領域パターンを抽出し、ラストマイル経路の動的生成に利用するマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2020-09-26T21:36:35Z) - Local Propagation in Constraint-based Neural Network [77.37829055999238]
ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。
本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
論文 参考訳(メタデータ) (2020-02-18T16:47:38Z)
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。