Trailer allocation and truck routing using bipartite graph assignment and deep reinforcement learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle