PulseAugur
中
实时 09:51:08
English(EN) Deep Reinforcement Learning solution for pickup and delivery routing problems with time window and capacity constraints

深度强化学习解决复杂的取送货路径问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的深度强化学习方法，称为改进的JAMPR模型，以解决具有容量和时间窗约束的复杂取送货问题（CPDPTW）。该方法为中小型路径问题提供了快速且最优的解决方案，并为大型实例提供了高效的次优解决方案。这项工作标志着深度强化学习首次成功应用于这一特定路径挑战，旨在满足日益增长的城市物流需求。 AI

影响 这项研究为优化物流和配送路径提供了一种新的算法方法，有望提高城市供应链的效率。

排序理由 该集群包含一篇详细介绍特定问题领域新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度强化学习解决复杂的取送货路径问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Andrew Soroka, Alex Meshcheryakov, Sergey Gerasimov ·

    具有时间窗口和容量约束的取件和配送路线问题的深度强化学习解决方案

    arXiv:2608.14156v1 Announce Type: new Abstract: The task of constructing vehicles optimal routes for pickup and delivery of goods is one of most promising tasks in the context of global urban population growth. Although this kind of problems with small size can be solved by vario…

相关实体

相关话题