面向极速订单分派问题的神经近似动态规划方法
最优化与控制
2023-11-23 v1 人工智能
摘要
当日送达(SDD)服务旨在最大化在线订单的履约率同时最小化配送延迟,但受到订单量和快递员规划等运营不确定性的困扰。我们的工作通过聚焦于极速订单分派问题(ODP)来提升SDD的运营效率,该问题涉及在集中式仓库环境中将订单匹配并分派给快递员,并在严格的时间限制内(例如数分钟内)完成配送。我们对极速ODP引入了订单批处理和显式快递员分配等重要扩展,以更真实地刻画分派操作并提升配送效率。作为求解方法,我们主要关注NeurADP,一种结合近似动态规划(ADP)与深度强化学习(DRL)的方法,我们的工作构成了NeurADP在拼车匹配问题之外的首次应用。NeurADP特别适用于极速ODP,因为它通过基于神经网络的VFA解决了复杂的一对多匹配与路径规划难题,该VFA能够捕捉高维问题动态而无需像通用ADP方法那样进行人工特征工程。我们使用四个专为ODP定制的不同真实数据集测试了所提方法,并将NeurADP与短视基线和DRL基线进行比较,同时利用非平凡界来评估策略质量。数值结果表明,引入订单批处理和快递员队列提升了配送运营效率,且NeurADP显著优于其他方法。针对重要参数的详细敏感性分析证实了NeurADP在不同场景下的鲁棒性,包括快递员数量、空间布局、车辆容量和允许延迟时间的变化。
引用
@article{arxiv.2311.12975,
title = {Neural Approximate Dynamic Programming for the Ultra-fast Order Dispatching Problem},
author = {Arash Dehghan and Mucahit Cevik and Merve Bodur},
journal= {arXiv preprint arXiv:2311.12975},
year = {2023}
}