論文の概要: Navigating Demand Uncertainty in Container Shipping: Deep Reinforcement Learning for Enabling Adaptive and Feasible Master Stowage Planning

• arxiv url: http://arxiv.org/abs/2502.12756v1
• Date: Tue, 18 Feb 2025 11:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:05:41.222942
• Title: Navigating Demand Uncertainty in Container Shipping: Deep Reinforcement Learning for Enabling Adaptive and Feasible Master Stowage Planning
• Title（参考訳）: コンテナシップにおける需要不確かさのナビゲート:適応的かつ実現可能なマスタースタッジプランニングの深層強化学習
• Authors: Jaike van Twiller, Yossiri Adulyasak, Erick Delage, Djordje Grbic, Rune Møller Jensen,
• Abstract要約: 強化学習(RL)は様々な最適化問題を解く上で有望である。 本研究では,コンテナの出荷におけるRLの利用に焦点を合わせ,マスタ・ストージ・プランニングにおける重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 3.565151496245487
• License:
• Abstract: Reinforcement learning (RL) has shown promise in solving various combinatorial optimization problems. However, conventional RL faces challenges when dealing with real-world constraints, especially when action space feasibility is explicit and dependent on the corresponding state or trajectory. In this work, we focus on using RL in container shipping, often considered the cornerstone of global trade, by dealing with the critical challenge of master stowage planning. The main objective is to maximize cargo revenue and minimize operational costs while navigating demand uncertainty and various complex operational constraints, namely vessel capacity and stability, which must be dynamically updated along the vessel's voyage. To address this problem, we implement a deep reinforcement learning framework with feasibility projection to solve the master stowage planning problem (MPP) under demand uncertainty. The experimental results show that our architecture efficiently finds adaptive, feasible solutions for this multi-stage stochastic optimization problem, outperforming traditional mixed-integer programming and RL with feasibility regularization. Our AI-driven decision-support policy enables adaptive and feasible planning under uncertainty, optimizing operational efficiency and capacity utilization while contributing to sustainable and resilient global supply chains.
• Abstract（参考訳）: 強化学習(RL)は、様々な組合せ最適化問題の解法において有望であることを示す。 しかし、従来のRLは実世界の制約を扱う場合、特にアクション空間の実現可能性が明確であり、対応する状態や軌道に依存する場合、課題に直面している。 本研究では,コンテナ輸送におけるRLの利用に焦点をあてる。これは多くの場合,マスター・ストージ・プランニングにおける重要な課題に対処することで,世界貿易の基盤となるものと考えられる。 主な目的は貨物収入の最大化と運用コストの最小化であり、需要の不確実性や様々な複雑な運用上の制約、すなわち船舶の容量と安定性を航海中に動的に更新する必要がある。 この問題に対処するため,要求不確実性下でのマスタースタワージ計画問題(MPP)を解決するため,実現可能性予測を備えた深層強化学習フレームワークを実装した。 実験結果から, この多段階確率最適化問題に対する適応的, 実現可能な解を効率よく発見し, 従来の混合整数計画法とRLの整合性に優れることを示した。 我々のAIによる意思決定支援政策は、不確実性の下で適応的で実現可能な計画を可能にし、持続的で回復力のあるグローバルサプライチェーンに貢献しながら、運用効率とキャパシティ利用を最適化する。

関連論文リスト

• Evaluating Robustness of Reinforcement Learning Algorithms for Autonomous Shipping [2.9109581496560044]
  本稿では,自律型海運シミュレータにおける内陸水路輸送(IWT)のために実装されたベンチマークディープ強化学習(RL)アルゴリズムのロバスト性について検討する。 モデルのないアプローチはシミュレーターで適切なポリシーを達成でき、訓練中に遭遇したことのないポート環境をナビゲートすることに成功した。
  論文  参考訳（メタデータ） (2024-11-07T17:55:07Z)
• Memory-Enhanced Neural Solvers for Efficient Adaptation in Combinatorial Optimization [6.713974813995327]
  本稿では、メモリを活用してニューラルネットワークの適応性を向上させるアプローチであるMementOを提案する。 我々は,大規模インスタンス上で全RL自動回帰解法をトレーニングし,MementOが拡張可能で,データ効率がよいことを示す。 全体として、MementOは評価された12のタスクのうち11に最先端のタスクをプッシュすることができる。
  論文  参考訳（メタデータ） (2024-06-24T08:18:19Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Resilient Constrained Reinforcement Learning [87.4374430686956]
  本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。 報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。 我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-28T18:28:23Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• A Constraint Enforcement Deep Reinforcement Learning Framework for Optimal Energy Storage Systems Dispatch [0.0]
  エネルギー貯蔵システム(ESS)の最適供給は、動的価格の変動、需要消費、再生可能エネルギーの発生による深刻な課題を提起する。 ディープニューラルネットワーク(DNN)の一般化機能を活用することで、ディープ強化学習(DRL)アルゴリズムは、分散ネットワークの性質に適応して応答する良質な制御モデルを学ぶことができる。 本稿では,オンライン操作における環境や行動空間の運用制約を厳格に実施しながら,継続的な行動空間を効果的に処理するDRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-26T17:12:04Z)
• Heuristic Strategies for Solving Complex Interacting Stockpile Blending Problem with Chance Constraints [14.352521012951865]
  本稿では,材料グレードの不確実性について考察し,信頼性の高い制約を確実にするために使用される確率制約を導入する。 ストックパイルブレンディング問題と確率制約に対処するため, 2つの補修演算子を組み合わせた微分進化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-10T07:56:18Z)
• Reinforcement Learning for Flexibility Design Problems [77.37213643948108]
  フレキシビリティ設計問題に対する強化学習フレームワークを開発した。 実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
  論文  参考訳（メタデータ） (2021-01-02T02:44:39Z)
• 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)
• Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion [78.46388769788405]
  我々は,制約付きポリシー最適化(CPPO)の実装に基づくRLフレームワークであるGCPOを紹介する。 誘導制約付きRLは所望の最適値に近い高速収束を実現し,正確な報酬関数チューニングを必要とせず,最適かつ物理的に実現可能なロボット制御動作を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-22T10:15:53Z)

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。