Trailer allocation and truck routing using bipartite graph assignment and deep reinforcement learning
Notice bibliographique
Résumé
Abstract Trailer allocation and truck routing are critical components of truck transportation management. However, in real‐world applications, inter‐influence between selecting the best trailers and trucks, strict fulfillment of Pickup or Delivery (PD) orders, and the size of the fleet are some of the challenges that need to be dealt with in a large truck company. In addition, trailer allocation and truck routing problems are considered to be NP‐hard combinatorial optimization (CO) problems. Therefore, we use deep reinforcement learning (DRL), which has the capability of solving routing problems with a single set of hyperparameters. This is significant progress toward finding strong heuristics for a special case of the trailer allocation to customers and truck routing problem presented in this article. Given a set of trailers, trucks, customers, and orders we propose a novel two‐phase framework based on Bipartite Graph Assignment (BGA) and attention‐based DRL to minimize the total traveling distance traveled from trucks to trailers and then to customers. The BGA heuristic finds the minimum traveling distance from the trailers to the customers based on the edge information and the encoder‐decoder helps DRL to get useful node and graph feature representations and trains the model to find the proper solutions for the trailer allocation and truck routing problem. Our experiments on three different problem sizes showcase the effectiveness of ARTT‐DRL. The results indicate that ARTT‐DRL produces desirable outcomes and has strong generalization capabilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».