使用移动包裹柜的最后一公里配送路径规划：一种混合Q学习网络方法
人工智能
2024-12-25 v3
摘要
物流运营商最近提出移动包裹柜作为一种技术，可帮助减少城市货运配送中的交通拥堵与运营成本。鉴于其可在部署区域内重新定位，它们有潜力改善客户可达性与便利性。在本研究中，我们构建了移动包裹柜问题（MPLP），它是定位-路径问题（LRP）的一个特例，用于确定MPL在全天的最优停留位置并规划相应配送路线。我们开发了基于混合Q学习网络的方法（HQM）以解决由此产生的大规模算例的计算复杂性，同时逃离局部最优。此外，HQM与全局和局部搜索机制相集成，以解决经典强化学习方法面临的探索与利用困境。我们在不同问题规模（至多200个节点）下检验HQM性能，并与精确方法和遗传算法（GA）基准比较。结果表明，在大规模算例中HQM比由Gurobi求解器求解的精确方法以更短计算时间取得更优优化性能。另外，HQM获得的平均奖励是GA的1.96倍，表明HQM具有更好的优化能力。进一步，我们识别出影响车队规模需求、行驶距离与服务延迟的关键因素。我们的发现指出，MPL的效率主要取决于时间窗长度与MPL停留点的部署。最后，我们基于参数分析强调管理启示，为物流运营商的高效最后一公里配送运营提供指导。
引用
@article{arxiv.2209.04265,
title = {Route Planning for Last-Mile Deliveries Using Mobile Parcel Lockers: A Hybrid Q-Learning Network Approach},
author = {Yubin Liu and Qiming Ye and Jose Escribano-Macias and Yuxiang Feng and Eduardo Candela and Panagiotis Angeloudis},
journal= {arXiv preprint arXiv:2209.04265},
year = {2024}
}
备注
54 pages, 18 figures. This paper has been submitted to Transportation Research Part E: Logistics and Transportation Review (Manuscript Number: TRE-D-23-00202)