面向客户基高度可变且需求随机的车辆路径问题的离线近似动态规划
最优化与控制
2022-07-15 v2 人工智能
摘要
我们研究 domestic donor collection services 背景下出现的车辆路径问题的随机变体。我们所考虑的问题具有以下属性组合。请求服务的客户是可变的,即客户是随机的但不局限于预定义集合,因为它们可能出现在给定服务区域内的任何位置。此外,需求量是随机的,并在访问客户时观测到。目标是在满足车辆容量和时间限制的同时最大化期望服务需求。我们称此问题为具有高度可变客户基与随机需求的车辆路径问题(VRP-VCSD)。针对该问题,我们首先提出一个马尔可夫决策过程(MDP)公式,代表经典的集中式决策视角,即一个决策者制定所有车辆的路径。尽管所得公式被证明难以处理,它为我们开发一种新的MDP公式提供了基础,我们称之为部分去中心化。在该公式中,动作空间按车辆分解。然而,去中心化是不完全的,因为我们在优化集体奖励时强制采用相同的车辆特定策略。我们提出若干策略以缩减与部分去中心化公式相关的状态和动作空间维度。这些策略产生一个明显更易处理的问题,我们通过强化学习求解。特别地,我们开发了一种称为DecQN的Q-learning算法,具备最先进的加速技术。我们进行了详尽的计算分析。结果表明DecQN大幅优于三种基准策略。此外,我们展示了我们的方法能够与针对VRP-VCSD特殊情况(客户位置和期望需求预先已知)开发的专门方法相竞争。
引用
@article{arxiv.2109.10200,
title = {Off-line approximate dynamic programming for the vehicle routing problem with a highly variable customer basis and stochastic demands},
author = {Mohsen Dastpak and Fausto Errico and Ola Jabali},
journal= {arXiv preprint arXiv:2109.10200},
year = {2022}
}