基于 Q 学习的自适应大邻域搜索算法用于集成卡车分配与调度问题——含混合服务模式泊位

混合服务模式泊位通过灵活地处理装载和卸载卡车来提高仓库效率。然而，现有研究通常会在规划卡车分配和排序之前预先确定泊位数和位置。本文提出了一种新模型，将泊位模式决策、卡车分配和调度集成在一起，从而实现自适应的泊位模式安排。具体而言，我们引入一种基于 Q 学习的自适应大邻域搜索（Q-ALNS）算法来解决集成问题。该算法通过扰动算子调整泊位模式，而卡车分配和调度则使用破坏和修复局部搜索算子求解。Q 学习根据其历史性能和未来收益自适应选择这些算子，采用 epsilon-greedy 策略。大量实验结果和统计分析表明，Q-ALNS 受益于高效的算子组合以及其自适应机制，始终以较好的保真度差和 Pareto 前沿发现能力优于基准算法。与预先确定的服务模式相比，我们的自适应策略在平均延迟和 makespan 上都有更低的值，凸显其对不同需求的优越适应性。