通过深度强化学习求解单线列车调度问题
人工智能
2023-06-14 v2 最优化与控制
摘要
每天，铁路在网络和车底方面都会经历扰动与中断，影响轨道交通的稳定性。引发的延误在网络中传播，导致货物与乘客供需错配，进而造成服务质量下降。在此类情况下，人类交通管制员（即调度员）有责任尽力将影响降至最低。然而，调度员对其决策连锁效应的认知深度必然有限，尤其在其直接控制范围之外网络区域所受的影响。近年来，决策科学大量工作致力于开发自动解决该问题并辅助调度员完成这一挑战性任务的方法。本文研究基于机器学习的方法以应对该问题，提出两种不同深度Q学习法（分散式与集中式）。数值结果表明这些技术相对于基于矩阵的传统线性Q学习具有优越性。此外，将集中式方法与MILP公式比较，展现出有趣结果。实验受美国一级铁路提供的数据启发。
引用
@article{arxiv.2009.00433,
title = {Solving the single-track train scheduling problem via Deep Reinforcement Learning},
author = {Valerio Agasucci and Giorgio Grani and Leonardo Lamorgese},
journal= {arXiv preprint arXiv:2009.00433},
year = {2023}
}
备注
Graph neural network added. Comparison with other methods added. 24 pages, 5 figures (1 b&w)