Learn-n-Route：学习车辆路径中的隐式偏好
人工智能
2021-01-12 v1
摘要
我们研究一种用于车辆路径的决策支持学习系统，其中路径引擎学习人类规划者在手动创建路径计划（或路由）时所具有的隐式偏好。目标是在车辆路径系统中将这些学习到的主观偏好置于基于距离的目标准则之上加以使用。这不同于为每个具有自身路径要求的公司分别制定定制 VRP 的做法。相反，我们假设在相似客户集上存在过去的车辆路径解，并学习做出类似选择。该学习方法基于学习马尔可夫模型的概念，其对应于概率转移矩阵而非确定性的距离矩阵。然而这使我们能够在创建实际路由时使用现有的弧路由 VRP 软件，并同时优化距离与偏好。对于学习，我们探索了不同的方案来构建可随偏好随时间变化而共同演化的概率转移矩阵。我们在一个小型运输公司的用例上的结果表明，我们的方法能够生成接近手动创建解的结果，而无需显式刻画所有约束和子目标。即使在客户集发生变化的情况下，我们的方法也能找到比仅使用距离时更接近实际路由的解，从而在转化为实用路由时需要更少的手动修改。
引用
@article{arxiv.2101.03936,
title = {Learn-n-Route: Learning implicit preferences for vehicle routing},
author = {Rocsildes Canoy and Víctor Bucarey and Jayanta Mandi and Tias Guns},
journal= {arXiv preprint arXiv:2101.03936},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1909.07893