SPADE: Solving the Multi-Depot Vehicle Routing Problem with Inter-Depot Routes Using Multi-Agent 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
The multi-depot vehicle routing problem with inter-depot routes (MDVRP-IDR) represents a pivotal challenge in route optimization, especially in complex supply chain networks with geographically dispersed distribution hubs. With the recent breakthroughs in deep reinforcement learning (DRL) for addressing combinatorial optimization problems (COPs), this paper introduces a novel multi-agent DRL-based framework, termed SParse Attention encoDer and multi-decodEr (SPDE), designed to tackle this critical and complex variant of the vehicle routing problem. SPDE features a Transformer-style policy network, utilizing a sparse graph to model the connectivity between customers and depots. It employs a graph Transformer model for encoding and learning the relationships between the nodes in this graph. Additionally, an attention-based graph pooling technique is introduced to enable the policy model to effectively capture the graph-level structure of each problem instance with minimal computational overhead. To effectively construct vehicle routes, each beginning and ending at one of the depots, for multi-depot routing with inter-depot connections, a decoding module is proposed, where a dedicated decoder is assigned to each vehicle, acting as an agent in a multi-agent system. Through real-world traffic data from two major Canadian cities, Calgary and Edmonton, experimental evaluations demonstrate that SPDE outperforms state-of-the-art DRL-based and heuristic methods. It reduces travel times while demonstrating superior computational efficiency compared to traditional heuristics. Further experiments validate SPDE’s generalizability in effectively solving larger problem instances.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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