論文の概要: Deep Reinforcement Learning solution for pickup and delivery routing problems with time window and capacity constraints

• arxiv url: http://arxiv.org/abs/2608.14156v1
• Date: Fri, 14 Aug 2026 10:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.347618
• Title: Deep Reinforcement Learning solution for pickup and delivery routing problems with time window and capacity constraints
• Title（参考訳）: 時間窓と容量制約を考慮したピックアップ・デリバリ・ルーティング問題に対するDeep Reinforcement Learningソリューション
• Abstract要約: 我々は、CPDPTW(Capacity and Time Window constraints)によるピックアップとデリバリの問題を解決するために、深い強化学習アプローチを適用した。 我々は,小・中規模の問題に対して高速な最適解を与え,大(200)以下の問題に対して高速な準最適解を与える頑健なモデルを得た。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of constructing vehicles optimal routes for pickup and delivery of goods is one of most promising tasks in the context of global urban population growth. Although this kind of problems with small size can be solved by various classical approaches, a fast (or realtime) route optimizer under the constraints of the real world (such as capacity and time windows constraints) for medium-large size problems still remains a highly challenging task. In this work we, for the first time, successfully applied a deep Reinforcing Learning approach (modified JAMPR model) to solve Pickup and Delivery problem with Capacity and Time Window constraints (CPDPTW). We obtained a robust model that gives a fast optimal solution for problems of small and medium size, and gives fast suboptimal solution for problems of larger (> 200) size.
• Abstract（参考訳）: 商品のピックアップ・配送に最適なルートを構築するという課題は、世界の都市人口増加の文脈において最も有望な課題である。 このような小ささの問題は、様々な古典的手法で解決できるが、中規模の問題に対する実世界の制約(容量や時間窓の制約など)の下で高速(あるいはリアルタイム)経路最適化器は依然として非常に難しい課題である。 本研究では,Pacacity and Time Window constraints (CPDPTW) によるピックアップとデリバリの問題を解決するために,Deep Reinforcing Learning approach (Modified JAMPR model) を初めて適用した。 我々は,小・中規模の問題に対して高速な最適解を与え,大(200)以下の問題に対して高速な準最適解を与える頑健なモデルを得た。

関連論文リスト

• Smart routes: a system for development and comparison of algorithms for solving vehicle routing problems with realistic constraints [39.146761527401424]
  時間Windows(CVRPTW)を用いた容量化車両ルーティング問題について検討する。 LKH, 2-OPT, 3-OPT, ORToolsフレームワーク, 深層学習モデルJAMPRなどのアルゴリズムと比較した。 以上の結果から,50のDeep Learningと古典的解がSCIPに近くなったが,時間を要することがわかった。
  論文  参考訳（メタデータ） (2026-08-14T09:46:15Z)
• Graph-Coarsening Approach for the Capacitated Vehicle Routing Problem with Time Windows [0.0]
  本稿では,顧客をメタノードに集約するマルチレベルグラフ粗化・改善フレームワークを提案する。 提案手法は,特にキャパシティや時間窓の制約に関して,解の質を保ったり改善したりしながら,計算量を削減する。 また、量子インスパイアされた最適化手法の統合についても検討し、大規模な車両ルーティングタスクをさらに加速させる可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-25T15:13:41Z)
• Rich Vehicle Routing Problem in Disaster Management enabling Temporally-causal Transhipments across Multi-Modal Transportation Network [1.1470070927586018]
  地理的に分散した車両基地に複数台の異種車両を配置し、異なる交通手段を利用できるような、豊富な車両経路問題も検討されている。 この問題は、車両経路の等間隔を最小化することで災害応答時間を最適化する現実的な要件から生じる。 提案手法の優位性は,Mixed-Integer Linear Programmingの定式化によって実証された。
  論文  参考訳（メタデータ） (2025-09-16T16:37:18Z)
• Opportunistic Collaborative Planning with Large Vision Model Guided Control and Joint Query-Service Optimization [74.92515821144484]
  オープンなシナリオで自動運転車をナビゲートすることは、目に見えない物体を扱うのが難しいため、課題である。 既存のソリューションは、一般化に苦しむ小さなモデルか、リソース集約的な大きなモデルに依存している。 本稿では,効率的なローカルモデルと強力なクラウドモデルをシームレスに統合するオポチュニティ協調計画(OCP)を提案する。
  論文  参考訳（メタデータ） (2025-04-25T04:07:21Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• TOP-Former: A Multi-Agent Transformer Approach for the Team Orienteering Problem [47.40841984849682]
  車両群のためのルートプランニングは、荷物の配送、監視、輸送といった応用において重要な課題である。 ToP-Formerは、チームのオリエンテーリング問題を効率的に正確に解くために設計されたマルチエージェント経路計画ニューラルネットワークである。
  論文  参考訳（メタデータ） (2023-11-30T16:10:35Z)
• Using Reinforcement Learning for the Three-Dimensional Loading Capacitated Vehicle Routing Problem [40.50169360761464]
  効率を上げるためのソリューションとして、協調車両ルーティングが提案されている。 現在の運用研究手法は、問題の大きさを増大させる非線形スケーリングに悩まされている。 約線形時間で3次元負荷容量化車両ルーティング問題を解くための強化学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-07-22T18:05:28Z)
• Rolling Horizon based Temporal Decomposition for the Offline Pickup and Delivery Problem with Time Windows [5.818566833386833]
  オフラインPDPTWのクラスを解くための新しい時間分解方式を提案する。 私たちのフレームワークはよりスケーラブルで、さまざまな難易度の問題インスタンスに対して優れたソリューションを提供することができます。
  論文  参考訳（メタデータ） (2023-03-06T20:07:05Z)
• Comparing Heuristics, Constraint Optimization, and Reinforcement Learning for an Industrial 2D Packing Problem [58.720142291102135]
  カットとパッケージングの問題は、ビジネスの収益に直接影響を与えるさまざまな業界で起きている。 機械学習は、このような問題を解決するためにますます使われています。
  論文  参考訳（メタデータ） (2021-10-27T15:47:47Z)
• MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
  本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。 異種車両ルーティング問題に対するMineReduceの適用について述べる。
  論文  参考訳（メタデータ） (2020-05-15T08:49:50Z)

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。