論文の概要: An approach based on metaheuristic algorithms to the timetabling problem in deregulated railway markets
- arxiv url: http://arxiv.org/abs/2504.17455v1
- Date: Thu, 24 Apr 2025 11:36:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.345107
- Title: An approach based on metaheuristic algorithms to the timetabling problem in deregulated railway markets
- Title（参考訳）: 非規制鉄道市場における時変問題に対するメタヒューリスティックアルゴリズムに基づくアプローチ
- Authors: David Muñoz-Valero, Juan Moreno-Garcia, Julio Alberto López-Gómez, Enrique Adrian Villarrubia-Martin, Luis Rodriguez-Benitez,
- Abstract要約: 本稿では、規制緩和された鉄道システムの力学を再現するためのモジュラーシミュレーションフレームワークを提案する。
その後、自由化されたスペインの鉄道市場における列車スケジュールを最適化するために、10のメタヒューリスティックアルゴリズムが評価される。
その結果、より多くの列車をスケジュールすることと、要求された時間に固執することの間のトレードオフを強調した。
- 参考スコア（独自算出の注目度）: 0.384477122144121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The train timetabling problem in liberalized railway markets represents a challenge to the coordination between infrastructure managers and railway undertakings. Efficient scheduling is critical in maximizing infrastructure capacity and utilization while adhering as closely as possible to the requests of railway undertakings. These objectives ultimately contribute to maximizing the infrastructure manager's revenues. This paper sets out a modular simulation framework to reproduce the dynamics of deregulated railway systems. Ten metaheuristic algorithms using the MEALPY Python library are then evaluated in order to optimize train schedules in the liberalized Spanish railway market. The results show that the Genetic Algorithm outperforms others in revenue optimization, convergence speed, and schedule adherence. Alternatives, such as Particle Swarm Optimization and Ant Colony Optimization Continuous, show slower convergence and higher variability. The results emphasize the trade-off between scheduling more trains and adhering to requested times, providing insights into solving complex scheduling problems in deregulated railway systems.
- Abstract（参考訳）: 自由化された鉄道市場における列車の時制問題は、インフラ管理者と鉄道事業の調整に挑戦している。
効率的なスケジューリングは、インフラの容量と利用を最大化し、鉄道事業の要求にできるだけ密着させるのに重要である。
これらの目的は最終的には、インフラストラクチャマネージャの収益の最大化に寄与します。
本稿では、規制緩和された鉄道システムの力学を再現するためのモジュラーシミュレーションフレームワークを提案する。
MEALPY Pythonライブラリを用いた10のメタヒューリスティックアルゴリズムが評価され、自由化されたスペインの鉄道市場における列車スケジュールを最適化する。
その結果,遺伝的アルゴリズムは収益最適化,収束速度,スケジュール順守において他よりも優れていた。
Particle Swarm Optimization(英語版)やAnt Colony Optimization Continuous(英語版)のような代替案は、収束が遅く、より可変性が高いことを示している。
その結果、より多くの列車をスケジューリングすることと、要求された時間に固執することの間のトレードオフを強調し、規制の緩和された鉄道システムにおける複雑なスケジューリング問題の解決に関する洞察を提供した。
関連論文リスト
- Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [55.78505925402658]
車両ルーティング問題(VRP)は、トラベリングセールスパーソン問題の延長であり、進化的最適化における基本的なNPハードチャレンジである。
遺伝的アルゴリズムによってさらに最適化された初期解を迅速に生成するために、強化学習エージェント(事前インスタンスで訓練された)を使用した新しい最適化フレームワークを導入する。
例えば、EARLIは1秒以内に500カ所の車両ルーティングを処理し、同じソリューション品質の現在のソルバよりも10倍高速で、リアルタイムやインタラクティブなルーティングのようなアプリケーションを可能にする。
論文 参考訳（メタデータ） (2025-04-08T15:21:01Z) - A Graph-based Adversarial Imitation Learning Framework for Reliable & Realtime Fleet Scheduling in Urban Air Mobility [5.19664437943693]
本稿では,艦隊スケジューリング問題の包括的最適化について述べる。
また、代替ソリューションのアプローチの必要性も認識している。
新しい模倣アプローチは、目に見えない最悪のシナリオにおいて、パフォーマンスと顕著な改善を実現する。
論文 参考訳（メタデータ） (2024-07-16T18:51:24Z) - A Data-driven Resilience Framework of Directionality Configuration based
on Topological Credentials in Road Networks [0.5154704494242526]
本稿では,最適化に基づくBrute Force検索手法と意思決定支援フレームワークを統合した新しい道路再構成手法を提案する。
提案フレームワークは、最適化プロセス中に生成されたシナリオからの入力を組み合わせ、マルチ基準決定分析アプローチを取り入れている。
道路構成のランク付けには、リッジ回帰などの機械学習アルゴリズムを使用して、各基準に対する最適な重みを決定する。
論文 参考訳（メタデータ） (2024-01-14T21:22:22Z) - Boosting Column Generation with Graph Neural Networks for Joint Rider Trip Planning and Crew Shift Scheduling [17.483751895564676]
本稿では,JRTPCSSP(Joint Rider Trip Planning and Crew Shift Scheduling Problem)とAttention and Gated GNN-Informed Column Generation(AGGNNI-CG)と呼ばれる新しい解法を提案する。
AGGNNI-CGは、列生成と機械学習をハイブリダイズして、アプリケーションの現実的な制約を伴って、JRTPCSSPのほぼ最適解を得る。
AGGNNI-CGは、ジョージア州チャタム郡のパラトランジットシステムから、挑戦的な実世界のデータセットに適用されている。
論文 参考訳（メタデータ） (2024-01-08T06:46:39Z) - A Mobile Data-Driven Hierarchical Deep Reinforcement Learning Approach
for Real-time Demand-Responsive Railway Rescheduling and Station Overcrowding
Mitigation [11.10169568480794]
リアルタイム鉄道再スケジュールは, 予期せぬ, ダイナミックな状況に応じて, 運転復旧を可能にする重要な手法である。
2022年(2022年)に中国・江州で起きた洪水などの災害は、江州鉄道駅自体に前例のない影響をもたらしただけでなく、他の主要拠点にも及んでいる。
本研究では,RTDR(Real-time demand-responsive)鉄道再スケジュール問題,すなわち需要のボラティリティと駅混雑管理に焦点をあてる。
論文 参考訳（メタデータ） (2023-08-23T00:55:39Z) - Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer
Optimization Framework [47.57576667752444]
オープンRAN(O-RAN)におけるインテリジェントステアリングアプリケーションを実現するために,フロースプリット分布,渋滞制御,スケジューリング(JFCS)を共同で最適化する。
i) 適切な無線ユニットへのトラフィックを効率よく、適応的に誘導する新しいJFCSフレームワークを提案し、i) 強化学習、内近似、二項探索に基づく低複雑さアルゴリズムを開発し、異なる時間スケールでJFCS問題を効果的に解決し、iv) 厳密な理論的性能結果を分析し、遅延とユーティリティ最適化のトレードオフを改善するためのスケーリング係数が存在することを示す。
論文 参考訳（メタデータ） (2023-02-06T11:37:06Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Railway Operation Rescheduling System via Dynamic Simulation and
Reinforcement Learning [13.333957453318742]
自然災害の激化により、鉄道運行の混乱が増している。
新型コロナウイルス(COVID-19)などの社会状況の急激な変化は、鉄道会社が頻繁に交通スケジュールを変更する必要がある。
提案システムは,トレーニングとして事前に最適化処理を行うため,全線の交通スケジュールを高速に生成することができる。
論文 参考訳（メタデータ） (2022-01-17T08:40:01Z) - Value Function is All You Need: A Unified Learning Framework for Ride
Hailing Platforms [57.21078336887961]
DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。
両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
論文 参考訳（メタデータ） (2021-05-18T19:22:24Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Flatland Competition 2020: MAPF and MARL for Efficient Train
Coordination on a Grid World [49.80905654161763]
車両再スケジュール問題(vrsp)の解法開発を目的としたフラットランドコンペティション
VRSPは、交通ネットワークにおける旅行のスケジュールと、故障が発生した場合の車両の再スケジュールに関するものである。
現代の鉄道網の複雑化は、交通の動的リアルタイムスケジューリングを事実上不可能にします。
論文 参考訳（メタデータ） (2021-03-30T17:13:29Z) - Quantum computing approach to railway dispatching and conflict
management optimization on single-track railway lines [0.4724825031148411]
単線鉄道における遅延と競合管理という,実用的な鉄道派遣問題について考察する。
本稿では,量子アニール技術と互換性のある2次非拘束二元最適化(QUBO)モデルを提案する。
概念実証として、D-Wave量子アニールを用いてポーランドの鉄道網から選択した実生活問題を解く。
論文 参考訳（メタデータ） (2020-10-16T08:17:57Z)
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。