将 Partial-ACO 应用于大规模车队优化
神经与进化计算
2019-04-17 v1
摘要
将来自不同地点的任务调度到车辆上的商业车队优化可显著缩短车队通行时间。这带来显著益处，包括降低公司开支，更重要的是减少道路使用程度从而降低车辆排放。精确优化方法无法扩展到真实商业问题规模，因此元启发式更为合适。蚁群优化（Ant Colony Optimisation, ACO）通常在中小规模问题上提供良好解。然而，商业车队优化问题通常规模大且复杂，ACO 在其中难以良好扩展。Partial-ACO 是一种旨在扩展到更大规模问题实例的新 ACO 变体。因此本文研究 Partial-ACO 在车队优化问题上的应用，展示 Partial-ACO 成功扩展到更大问题的能力。事实上，对于一家伯明翰公司提供的多达 298 个任务与 32 辆车的真实世界车队优化问题，Partial-ACO 能将其车队通行时间改善超过 44%。此外，Partial-ACO 展现出其扩展能力，相较标准 ACO 结果显著改善，并与遗传算法（Genetic Algorithm）结果具竞争力。
引用
@article{arxiv.1904.07636,
title = {Applying Partial-ACO to Large-scale Vehicle Fleet Optimisation},
author = {Darren M. Chitty and Elizabeth Wanner and Rakhi Parmar and Peter R. Lewis},
journal= {arXiv preprint arXiv:1904.07636},
year = {2019}
}