論文の概要: Integrated Optimization of Automated Warehouse Operations and Last-Mile Transport for Differentiated On-Demand Delivery
- arxiv url: http://arxiv.org/abs/2609.19048v1
- Date: Tue, 21 Jul 2026 18:56:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.088804
- Title: Integrated Optimization of Automated Warehouse Operations and Last-Mile Transport for Differentiated On-Demand Delivery
- Title（参考訳）: 自動倉庫運転とラストミル輸送の統合最適化によるオンデマンド配送の差別化
- Abstract要約: 本研究では,自動誘導車両(AGV)をベースとしたスマートウェアハウスオペレーションとラストマイルマルチモーダルトランスポートの統合最適化手法を提案する。
多目的共同スケジューリングのための深層強化学習アルゴリズムは、2つのシステム間の動的接続を確立するために設計されている。
- 参考スコア（独自算出の注目度）: 1.8262547855491453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of differentiated on-demand goods delivery services, this study proposes an integrated optimization method for automated guided vehicles (AGVs) based smart warehouse operations and the last-mile multi-modal transport. A deep reinforcement learning algorithm for multi-objective joint scheduling is designed to establish a dynamic connection between two systems, solving key challenges such as achieving high-throughput continuous order scheduling, meeting competing requirements, and improving the overall system sensitivity and adaptability. For warehouse optimization within this framework, we propose an improved algorithm based on multi-objective, Multi-Reward Machines-A* Guided Deep Q-Network (MORM-AGDQN), which combines service level, system cost, and external transportation demand. For external optimization, we propose an improved algorithm based on a Multi-Reward, Multi Head attention-Heterogeneous Capacity Vehicle Routing Problem (MRMH-HCVRP) framework, which incorporates the optimized scheduling order sequence and grouping, combined with customer location, demand, and priority, vehicle capacity, speed, and service range. The results show that the proposed framework significantly outperforms traditional methods, achieving 100% on-time delivery rate for warehousing operations. After joint optimization, the average delivery time for the last mile was reduced by 29.3% to 53.2%, the total transportation distance was reduced by 46.4%, the high-priority service rate was increased to over 92%, and a balance was maintained between operating costs and customer satisfaction.
- Abstract（参考訳）: そこで本研究では,自動誘導車両(AGV)をベースとしたスマートウェアハウスオペレーションとラストマイルマルチモーダルトランスポートの統合最適化手法を提案する。
多目的共同スケジューリングのための深層強化学習アルゴリズムは、2つのシステム間の動的接続を確立し、高スループット連続順序スケジューリングの実現、競合する要求を満たすこと、システム全体の感度と適応性の向上といった重要な課題を解決するように設計されている。
このフレームワーク内での倉庫最適化のために,サービスレベル,システムコスト,外部交通需要を組み合わせたマルチオブジェクト型マルチリワードマシン-A*ガイド型深層Q-Network (MORM-AGDQN) に基づく改良アルゴリズムを提案する。
外部最適化のために、最適化されたスケジューリング順序シーケンスとグループ化を組み込んだMRMH-HCVRP(Multi-Reward, Multi-head attention-Heterogeneous Capacity Vehicle Routing Problem)に基づく改良アルゴリズムを提案する。
その結果,提案手法は従来の手法よりも優れており,ウェアハウジングオペレーションのリアルタイム配信速度は100%向上していることがわかった。
共同最適化後、最終マイルの平均配達時間を29.3%減らして53.2%減らし、総輸送距離を46.4%減らし、高優先度サービスレートを92%以上に引き上げ、営業コストと顧客満足度のバランスを保った。
関連論文リスト
- Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks [48.421359451414155]
エッジクラウドとレイヤ間のロード不均衡は、レイテンシのパフォーマンスを低下させる。
動的タスク到着と異種リソースの下での階層型エッジクラウドコンピューティングシステム。
本稿では,サービス配置を最適化するための行動空間(2MDRL-LA)を用いた2時間深層学習研究を提案する。
平均e2e遅延を20.8%削減し、計画よりも13%改善した。
論文 参考訳（メタデータ） (2026-06-30T11:56:15Z) - Hybrid Quantum-Classical Optimization Workflows for the Shipment Selection Problem [0.25457638766329743]
本稿では,IonQとEinrideが共同開発した電気貨物輸送における船積み選択問題(SSP)の量子最適化フレームワークを提案する。
混合整数二次計画としてSSPを定式化し、それをイテレーティブQAOAを用いてイテレーショナルコストハミルトンに写像する。
エンドツーエンドのハイブリッドワークフローは、Einrideの車両ルーティング問題解決とIonQの量子シミュレーションを統合し、130キュービットまでの実際の匿名化ロジスティクスデータの評価を可能にする。
論文 参考訳（メタデータ） (2026-04-13T17:30:49Z) - Oranits: Mission Assignment and Task Offloading in Open RAN-based ITS using Metaheuristic and Deep Reinforcement Learning [10.571108374756184]
オープンLAN(Open RAN)ベースのインテリジェントトランスポートシステム(ITS)におけるミッション割り当てとタスクオフロードについて検討する。
既存の研究はしばしば、ミッション間の複雑な相互依存と、エッジサーバへのタスクのオフロードに伴うコストを見落としている。
我々は、オーラニッツ(Oranits)という、ミッション依存とオフロードコストを明示的に考慮し、車両の協調によって性能を最適化する新しいシステムモデルを紹介した。
論文 参考訳（メタデータ） (2025-07-25T23:13:09Z) - 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) - Multi-Dimensional AGV Path Planning in 3D Warehouses Using Ant Colony Optimization and Advanced Neural Networks [4.517879416915767]
本稿では,ACOとディープラーニングモデルを組み合わせたハイブリッドフレームワークを活用した3次元倉庫環境のための新しいAGV経路計画手法を提案する。
NAHACOは経路計画の効率を大幅に向上させ、より高速な計算時間とバニラおよび最先端の手法よりも優れた性能を得る。
倉庫試験では、NAHACOはコストを41.5%まで削減し、渋滞を56.1%まで削減した。
論文 参考訳（メタデータ） (2025-03-30T14:09:21Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Location-routing Optimisation for Urban Logistics Using Mobile Parcel
Locker Based on Hybrid Q-Learning Algorithm [0.0]
パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。
本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
論文 参考訳（メタデータ） (2021-10-29T01:27:12Z) - Reinforcement Learning Based Vehicle-cell Association Algorithm for
Highly Mobile Millimeter Wave Communication [53.47785498477648]
本稿では,ミリ波通信網における車とセルの関連性について検討する。
まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。
提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
論文 参考訳（メタデータ） (2020-01-22T08:51:05Z)
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。