論文の概要: The Train Unit Shunting Problem with Service Scheduling and Workforce Assignment: classical and quantum optimization approaches
- arxiv url: http://arxiv.org/abs/2611.17987v1
- Date: Fri, 13 Nov 2026 10:18:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.341501
- Title: The Train Unit Shunting Problem with Service Scheduling and Workforce Assignment: classical and quantum optimization approaches
- Title(参考訳): サービススケジューリングとワークフォース割り当てによる列車ユニット停止問題--古典的および量子最適化アプローチ
- Abstract要約: 効率的な鉄道車両管理には、列車ユニットの割り当て、絞殺運動、線路の占領、サービス運営、労働力配分の協調的な計画が必要である。
本稿では,複合整数線形計画法であるTrain Unit Shunting Problem with Service Scheduling and Workforce Assignmentを紹介する。
計算トラクタビリティを向上させるために,計算モデルのサイズを小さくする前処理手法を開発した。
- 参考スコア(独自算出の注目度): 0.13764085113103217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient railway rolling stock management requires the coordinated planning of train-unit assignment, shunting movements, track occupation, service operations, and workforce allocation. These interdependent decisions give rise to a challenging combinatorial optimization problem, particularly as the size of the fleet and the planning horizon increase. This paper introduces the Train Unit Shunting Problem with Service Scheduling and Workforce Assignment, a mixed-integer linear programming formulation that integrates these operational decisions within a unified optimization framework. To improve computational tractability, a preprocessing procedure is developed to reduce the size of the resulting model. The proposed approach is evaluated through computational experiments on instances of increasing size and under different objective-function weight and cost configurations. Classical optimization experiments using Gurobi show that filtering method reduces the number of decision variables and constraints, while its impact on computational time varies across instances. In addition, a constrained quadratic model representation is investigated using D-Wave's hybrid quantum-classical optimization solver.
- Abstract(参考訳): 効率的な鉄道車両管理には、列車ユニットの割り当て、絞殺運動、線路の占領、サービス運営、労働力配分の協調的な計画が必要である。
これらの相互依存的な決定は、特に艦隊の大きさと計画的地平線が増加するにつれて、困難な組合せ最適化問題を引き起こす。
本稿では、統合最適化フレームワークにこれらの運用上の決定を統合する混合整数線形プログラミングの定式化である、サービススケジューリングとワークフォースアサインメントを備えたTrain Unit Shunting問題を紹介する。
計算トラクタビリティを向上させるために,計算モデルのサイズを小さくする前処理手法を開発した。
提案手法は, 目的関数の重みとコスト構成の異なる大きさのインスタンスについて, 計算実験により評価する。
Gurobiを用いた古典的な最適化実験では、フィルタ法は決定変数や制約の数を減らすが、計算時間への影響はインスタンスによって異なる。
さらに、D-Waveのハイブリッド量子古典最適化器を用いて、制約付き二次モデル表現について検討した。
関連論文リスト
- Adaptive decision-making for stochastic service network design [1.2154569665167423]
本稿では,マルチモーダル貨物輸送ネットワークで動作するロジスティクスサービスプロバイダ(LSP)のサービスネットワーク設計(SND)問題に対処する。
メタヒューリスティックス、シミュレーション、機械学習コンポーネントを組み合わせた2段階最適化手法を提案する。
論文 参考訳(メタデータ) (2026-03-25T14:51:57Z) - Traveling Salesman Problem with a preprocessing method for classical and quantum optimization [0.0]
トラベリングセールスマン問題(Traveing Salesman Problem)は、オペレーション研究において広く研究されている基本的な最適化問題である。
単純な定式化にもかかわらず、探索空間の指数的な成長と多くの制約のために計算的に困難である。
本稿では,最適化モデルのサイズを大幅に削減する前処理戦略を提案する。
論文 参考訳(メタデータ) (2026-03-24T14:54:14Z) - Quantum-classical hybrid algorithm using quantum annealing for multi-objective job shop scheduling [0.5872014229110214]
効率的な生産計画は、リードタイムなどの性能指標を改善し、人間の直感への依存を減らすために、現代製造業において不可欠である。
この問題を2つのサブプロブレム(リソース割り当てとタスクスケジューリング)に分解する量子古典ハイブリッドアルゴリズムを開発した。
実験により,従来のモノリシック手法に比べて解法品質と計算効率が優れていることが示された。
論文 参考訳(メタデータ) (2025-11-05T07:39:09Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳(メタデータ) (2024-05-07T17:44:54Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳(メタデータ) (2023-12-28T23:15:18Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Optimization-based Learning for Dynamic Load Planning in Trucking Service Networks [14.972807276002465]
本稿では,フローと負荷計画の課題を共同で検討するアウトバウンド負荷計画問題(OLPP)について考察する。
本研究の目的は,ネットワーク上の端末で意思決定を行う計画立案者に対して,意思決定支援ツールを開発することである。
論文 参考訳(メタデータ) (2023-07-08T21:28:20Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - 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) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z)
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。