用于物流与交通系统中需求驱动服务的深度强化学习：综述
机器学习
2024-10-29 v3 人工智能
摘要
近期技术的发展为城市生活带来了众多新型需求驱动服务（DDS）的繁荣，包括拼车、按需配送、快递系统和仓储。在 DDS 中，服务闭环是一个基本结构，包括其服务工作者、服务提供者以及相应的服务目标。服务工作者应将人员或包裹从提供者运输到目标位置。因此，DDS 中的各种规划任务可被划分为两个独立阶段：1) 调度，即根据需求/供给分布形成服务闭环；2) 路径规划，即决定所构建闭环内的具体服务顺序。在这两个阶段中生成高质量策略对于发展 DDS 至关重要，但面临若干挑战。与此同时，深度强化学习（DRL）近年来发展迅速。它是解决这些问题的强大工具，因为 DRL 能够在不依赖过多基于问题的假设的情况下学习参数化模型，并通过学习序列决策来优化长期效果。在本综述中，我们首先定义 DDS，然后重点介绍其中的常见应用及重要的决策/控制问题。针对每个问题，我们全面介绍了现有的 DRL 解决方案。我们还介绍了用于 DDS 应用程序开发和评估的开放仿真环境。最后，我们分析了剩余的挑战，并讨论了 DDS 的 DRL 解决方案中的进一步研究机遇。
引用
@article{arxiv.2108.04462,
title = {Deep Reinforcement Learning for Demand Driven Services in Logistics and Transportation Systems: A Survey},
author = {Zefang Zong and Jingwei Wang and Tao Feng and Tong Xia and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2108.04462},
year = {2024}
}
备注
41 pages. survey preprint