面向多卡车车辆路径问题的强化学习
机器学习
2024-12-31 v3 人工智能
最优化与控制
摘要
深度强化学习(RL)已被证明能有效地为某些车辆路径问题(VRPs)生成近似解,尤其在使用编码器-解码器注意力机制生成策略时。尽管这些技术在相对简单的问题实例上相当成功,仍存在一些研究不足且高度复杂的 VRP 变体,尚未有有效的 RL 方法被展示。本文关注这样一个 VRP 变体,其包含多辆卡车与多段路径需求。在这些问题中,需求需沿节点序列移动,而非仅从起点节点到终点节点。为使深度 RL 成为现实世界工业规模供应链物流的可行策略,我们开发了已有编码器-解码器注意力模型的新扩展,使其能处理多卡车与多段路径需求。我们的模型优势在于可用少量卡车与节点训练,再嵌入大型供应链以为更多卡车与节点规模给出解。我们在日本汽车零部件制造商 Aisin 公司运营中出现的真实供应链环境上测试了方法,发现我们的算法优于 Aisin 此前最佳解。
引用
@article{arxiv.2211.17078,
title = {Reinforcement Learning for Multi-Truck Vehicle Routing Problems},
author = {Joshua Levin and Randall Correll and Takanori Ide and Takafumi Suzuki and Saito Takaho and Alan Arai},
journal= {arXiv preprint arXiv:2211.17078},
year = {2024}
}
备注
13 pages, 6 figures, v3 contains a slightly modified algorithm which yields better performance, v3 previously appeared as arXiv:2401.08669 which was mistakenly submitted as a new work and has been withdrawn