論文の概要: AI2STOW: End-to-End Deep Reinforcement Learning to Construct Master Stowage Plans under Demand Uncertainty

• arxiv url: http://arxiv.org/abs/2504.04469v1
• Date: Sun, 06 Apr 2025 12:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 01:27:31.054166
• Title: AI2STOW: End-to-End Deep Reinforcement Learning to Construct Master Stowage Plans under Demand Uncertainty
• Title（参考訳）: AI2STOW: 要求不確実性の下でマスタースタッジプランを構築するためのエンドツーエンドの深層強化学習
• Authors: Jaike Van Twiller, Djordje Grbic, Rune Møller Jensen,
• Abstract要約: 本稿では,AI2STOWを提案する。AI2STOWは,要求不確実性の下でマスタープランを作成するための,実現可能性予測とアクションマスクを備えたエンドツーエンドの深層強化学習モデルである。 実験の結果,AI2STOWは強化学習やプログラミングのベースライン手法よりも客観的な性能と計算効率が優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The worldwide economy and environmental sustainability depend on eff icient and reliable supply chains, in which container shipping plays a crucial role as an environmentally friendly mode of transport. Liner shipping companies seek to improve operational efficiency by solving the stowage planning problem. Due to many complex combinatorial aspects, stowage planning is challenging and often decomposed into two NP-hard subproblems: master and slot planning. This article proposes AI2STOW, an end-to-end deep reinforcement learning model with feasibility projection and an action mask to create master plans under demand uncertainty with global objectives and constraints, including paired block stowage patterms. Our experimental results demonstrate that AI2STOW outperforms baseline methods from reinforcement learning and stochastic programming in objective performance and computational efficiency, based on simulated instances reflecting the scale of realistic vessels and operational planning horizons.
• Abstract（参考訳）: 世界経済と環境サステナビリティは、環境に優しい輸送手段としてコンテナ輸送が重要な役割を担うエフェイエントで信頼性の高いサプライチェーンに依存している。 海運会社は、下水道計画の問題を解決することで、運用効率の向上を目指している。 多くの複雑な組み合わせの側面から、ストージプランニングは困難であり、マスタープランニングとスロットプランニングの2つのNPハードサブプロブレムに分解されることが多い。 本稿では,AI2STOWを提案する。AI2STOWは,汎用性プロジェクションを備えたエンドツーエンドの深層強化学習モデルであり,グローバルな目的や制約に対する要求不確実性を考慮したマスタープランを作成するためのアクションマスクである。 実験の結果,AI2STOWは,現実的な船舶の規模を反映した模擬事例と運用計画の地平をベースとした,強化学習や確率的プログラミングから客観的な性能と計算効率において,基本的手法よりも優れていた。

関連論文リスト

• Maritime Mission Planning for Unmanned Surface Vessel using Large Language Model [0.932065750652415]
  本稿では,Large Language Models (LLM) を用いた新しいミッションプランニングフレームワークを提案する。 LLMは、自然言語のコマンドを理解し、シンボリック推論を実行し、状況の変化に合わせて柔軟に調整する能力に長けている。 提案手法では,LLMを海洋計画に統合し,高レベルの人的指示と実行可能な計画とのギャップを埋める。
  論文  参考訳（メタデータ） (2025-03-15T09:41:55Z)
• Navigating Demand Uncertainty in Container Shipping: Deep Reinforcement Learning for Enabling Adaptive and Feasible Master Stowage Planning [3.565151496245487]
  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。
  論文  参考訳（メタデータ） (2025-02-18T11:18:17Z)
• Platform-Aware Mission Planning [50.56223680851687]
  本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。 第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。 提案手法の健全性と完全性を実証し,実験により検証する。
  論文  参考訳（メタデータ） (2025-01-16T16:20:37Z)
• EgoPlan-Bench2: A Benchmark for Multimodal Large Language Model Planning in Real-World Scenarios [53.26658545922884]
  EgoPlan-Bench2は,MLLMの計画能力を評価するためのベンチマークである。 我々は,21の競争的MLLMを評価し,その限界を詳細に分析した結果,実世界の計画において大きな課題に直面していることが明らかとなった。 EgoPlan-Bench2におけるGPT-4Vの10.24倍の性能向上を図る。
  論文  参考訳（メタデータ） (2024-12-05T18:57:23Z)
• On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
  さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。 その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
  論文  参考訳（メタデータ） (2024-09-30T03:58:43Z)
• Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
  CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。 反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-19T04:13:58Z)
• DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models [5.385540718118656]
  大規模言語モデル(LLM)は多くの研究分野に革命をもたらした。 膨大な知識の収集にもかかわらず、大きな言語モデルは幻覚やドメイン情報の欠落によって実現不可能な計画を生成する可能性がある。 我々は,新しいLLMインフォームドタスク計画手法であるDELTAを紹介する。
  論文  参考訳（メタデータ） (2024-04-04T07:59:24Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Efficient Learning of High Level Plans from Play [57.29562823883257]
  本稿では,移動計画と深いRLを橋渡しするロボット学習のフレームワークであるELF-Pについて紹介する。 ELF-Pは、複数の現実的な操作タスクよりも、関連するベースラインよりもはるかに優れたサンプル効率を有することを示す。
  論文  参考訳（メタデータ） (2023-03-16T20:09:47Z)

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。