面向集装箱预翻箱问题的深度学习辅助启发式树搜索
人工智能
2019-09-19 v2
摘要
集装箱预翻箱问题（CPMP）涉及在非高峰时段对集装箱码头的集装箱进行重新排序，以便在港口繁忙时能快速提取集装箱。该问题在文献中受到了广泛关注，并由大量精确和启发式方法加以解决。现有的CPMP方法严重依赖特定问题的组件（例如，已证明的下界），这些组件需要由具备优化技术知识并对当前问题有深刻理解的领域专家来开发。为了实现CPMP启发式设计中昂贵且耗时的过程的自动化，我们提出了一种名为深度学习启发式树搜索（DLTS）的新方法。它使用深度神经网络，仅通过分析CPMP实例的现有（近）最优解，来学习针对CPMP定制的求解策略和下界。随后，这些网络被集成到树搜索过程中，以决定下一步选择哪个分支并修剪搜索树。DLTS生成了迄今为止质量最高的CPMP启发式解，在现实规模实例中与最优解的差距低于2%。
引用
@article{arxiv.1709.09972,
title = {Deep Learning Assisted Heuristic Tree Search for the Container Pre-marshalling Problem},
author = {André Hottung and Shunji Tanaka and Kevin Tierney},
journal= {arXiv preprint arXiv:1709.09972},
year = {2019}
}