使用移动包裹锁柜进行最后一公里送货的路线规划：一种混合 Q 学习网络方法
摘要：移动包裹柜是物流运营商最近提出的一种技术，可以帮助减少城市货物配送中的交通拥堵和运营成本。由于其能够在部署区域内进行重新定位，它们具有改善客户可访问性和便利性的潜力。在本研究中，我们构建了移动包裹柜问题（MPLP），这是一种特殊的位置-路径问题（LRP），确定了MPL在一天中的最佳中途停靠位置，并规划相应的交付路线。我们开发了一种基于混合Q学习网络方法（HQM）来解决由于大问题实例而导致的计算复杂性，同时避免了局部最优解。此外，HQM与全局和局部搜索机制相结合，以解决经典强化学习方法所面临的探索和利用之间的困境。我们在不同问题规模（最多200个节点）下测试了HQM的性能，并与精确方法和遗传算法（GA）进行了基准测试。我们的结果表明，与大问题实例中由Gurobi求解器解决的精确方法相比，HQM在较短的计算时间内实现了更好的优化性能。此外，HQM获得的平均奖励比GA高1.96倍，这表明HQM具有更好的优化能力。此外，我们确定了影响车队规模需求、行驶距离和服务延误的关键因素。我们的研究结果表明，MPL的效率主要取决于时间窗口的长度和MPL停靠点的部署。最后，我们基于参数分析提出了管理意见，为物流运营商在高效的最后一公里配送运营中提供指导。
作者：Yubin Liu, Qiming Ye, Jose Escribano-Macias, Yuxiang Feng, Eduardo Candela, and Panagiotis Angeloudis
论文ID：2209.04265
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-08