通过偏好学习将废物收集规划专家知识融入适应度函数
机器学习
2024-02-07 v1 人工智能
摘要
本文处理COGERSA废物收集过程。迄今为止，专家一直使用试错机制手动设计该过程。该过程未经过全局优化，因为它是随着市政需求的出现而逐步局部构建的。通常使用规划优化算法来解决此问题，但算法需要一个适应度函数来评估路线规划的质量。缺点在于，由于过程的复杂性，即使是专家也无法直接提出一个适应度函数。因此，本文的目标是利用可用的专家知识和专业技能，通过偏好框架构建一个适应度函数。根据专家的意见，精心设定了若干关键绩效指标以及偏好判断，以学习一个有前景的适应度函数。特别是，它们的可加性使得该任务变得更为可行，因为它允许处理路线而非路线规划。此外，由于专家怀疑这些指标之间存在潜在（但未知）的冗余，因此对这些指标进行了特征选择分析。实验结果证实了这一假设，因为当21个指标中选取6或8个时，达到了最佳的 index（，而对比约为 ）。特别是，卡车载荷似乎是一个极具前景的关键绩效指标，其次是沿非主干道路的行驶距离。与其他现有方法的比较表明，所提出的方法明显优于它们，index 从 或 提升至 。
引用
@article{arxiv.2402.01849,
title = {Capturing waste collection planning expert knowledge in a fitness function through preference learning},
author = {Laura Fernández Díaz and Miriam Fernández Díaz and José Ramón Quevedo and Elena Montañés},
journal= {arXiv preprint arXiv:2402.01849},
year = {2024}
}