基于深度强化学习的异构电动车路径问题时窗约束求解方法——Edge-DIRECT
机器学习
2024-07-03 v1 人工智能
摘要
为响应发达国家的碳中和政策，电动车路径优化日益受到物流公司的重视。随着对客户期望的日益关注以及向更以客户为中心的商业模式的转变，交付时间窗的集成已成为物流运营的必然要求。鉴于这些发展的关键性本文研究了具有时窗约束的异构电动车路径问题(HEVRPTW)。为解决这一车辆路径问题的变体，本文提出了一种基于深度强化学习的方法，命名为 Edge-enhanced Dual attentIon encoderR and feature-EnhanCed dual aTtention decoder(Edge-DIRECT)。Edge-DIRECT 具备额外的图表示，节点之间的连通性基于客户时间窗的重叠程度。Edge-DIRECT 的自注意力编码机制通过利用位置之间的能源消耗和行驶时间得到增强。为有效考虑电动车 fleet 的异构性，本文引入了双注意力解码器。基于两个真实世界数据集的实验结果表明，Edge-DIRECT 在解的质量和执行时间方面均优于领先的基于深度强化学习的方法和已建立的启发式方法。此外，该方法在与另一主要启发式方法的比较中也表现出具竞争力的性能。
引用
@article{arxiv.2407.01615,
title = {Edge-DIRECT: A Deep Reinforcement Learning-based Method for Solving Heterogeneous Electric Vehicle Routing Problem with Time Window Constraints},
author = {Arash Mozhdehi and Mahdi Mohammadizadeh and Xin Wang},
journal= {arXiv preprint arXiv:2407.01615},
year = {2024}
}