当前位置： 
混合遗传算法求解多中心联合配送路径问题
1
2019
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
混合遗传算法求解多中心联合配送路径问题
1
2019
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
多阶段动态车辆路径问题实时优化策略
1
2013
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
多阶段动态车辆路径问题实时优化策略
1
2013
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Data-driven estimation in equilibrium using inverse optimization
1
2015
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Vehicle routing problems in which consistency considerations are important: A survey
1
2014
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Workforce management in periodic delivery operations
1
2013
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
The efficacy of exclusive territory assignments to delivery vehicle drivers
1
2008
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Territory planning and vehicle dispatching with driver learning
1
2007
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Uncovering cabdrivers’ behavior patterns from their digital traces
1
2010
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
基于驾驶员偏好的最优路径选择
1
2010
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
基于驾驶员偏好的最优路径选择
1
2010
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Multi-criteria route planning based on a driver’s preferences in multi-criteria route selection
1
2014
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
A collaborative method for route discovery using taxi drivers’ experience and preferences
1
2018
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
基于出租车司机经验的约束深度强化学习算法路径挖掘
1
2020
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
基于出租车司机经验的约束深度强化学习算法路径挖掘
1
2020
... 目前,利用CVRP求解算法[1 ,2 ]估算现实生活中各条道路的行驶成本较为困难,得到的优化结果存在较大误差,实际应用价值往往较低.Bertsimas等[3 ]认为,各条道路的行驶成本之间存在相互依赖性,因此对基于最短路径或最短行驶时间成本矩阵的CVRP模型进行优化难以得到符合实际需求的路径.此外,经验丰富的驾驶员(专家)并不总是遵循最短路径成本矩阵选择配送路径,如优先避免易产生拥堵或交通信号灯多的道路.因此,在路径规划中还需要融入驾驶员的经验或偏好.Kovacs等[4 ]研究考虑一致性的车辆路径规划问题.其中,一致性包括人员一致性,即客户希望被所熟悉的驾驶员服务[5 ];区域一致性,即让驾驶员在更为熟悉的服务区域进行配送[6 ,7 ].然而,驾驶员的偏好并不总需要完全遵循一致性原则.Liu等[8 ]通过分析驾驶员的连续数据轨迹来揭示驾驶员的操作模式.韦增欣等[9 ]建立基于多属性决策方法的路径优化模型,并根据驾驶员的偏好调整模型参数.Pahlavani等[10 ]利用局部线性神经模糊模型学习驾驶员偏好来预测路线.He等[11 ]根据市区出租车司机的经验,利用协作偏好发现算法和智能司机网络生成算法计算在旅行时间变化的情况下更可靠的行驶路线.黄敏等[12 ]根据出租车司机的经验, 提出约束深度强化学习算法,并在线计算不同时间段内的最快行驶路线.以上研究多针对特定应用场景进行数据或实验分析,因此方法的应用价值有限. ...
Combinatorial algorithms for inverse network flow problems
2
2002
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
... [13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Inverse optimization
1
2001
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Calculating some inverse linear programming problems
1
1996
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
A general model of some inverse combinatorial optimization problems and its solution method under l∞ norm
1
2002
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Inverse combinatorial optimization: A survey on problems, methods, and results
1
2004
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Inverse vehicle routing for activity-based urban freight forecast modeling and city logistics
1
2016
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法
1
2016
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法
1
2016
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
An online-learning approach to inverse optimization
1
2020
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Inverse optimization with noisy data
1
2018
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Inverse optimization: Closed-form solutions, geometry, and goodness of fit
1
2019
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Short-term forecasting of price-responsive loads using inverse optimization
1
2018
... 逆向优化是指已知一个优化问题的专家解(最优解),从而逆向推断优化模型的参数[13 ].Ahuja等[13 ,14 ]研究了基于最优性条件和对偶理论的逆线性优化问题,并将其扩展到逆向网络流问题.Zhang等[15 ,16 ]利用牛顿法解决了在l∞范数下的逆向组合问题.Heuberger[17 ]综述了不同逆向组合优化问题的算法.随着大数据应用的发展,研究者提出在逆向优化中结合数据来设计开发算法.You 等[18 ]对城市卡车货运量进行建模和预测,并提出利用观测数据对车辆路径规划问题的模型参数进行校准,使得优化结果更符合实际需求.牟健慧等[19 ]将逆向优化理论和方法引入车间调度领域,建立考虑调度效率和稳定性的数学模型,以解决多目标流水车间的逆调度问题.Bärmann等[20 ]结合逆向优化和在线学习算法的思想,将模型解决方案与专家决策之间的差异设为成本矩阵的梯度,并利用迭代法令梯度逐渐降低并收敛.Aswani等[21 ,22 ]考虑了在凸优化问题最优解的测量结果被噪声破坏情况下的逆向优化问题.Saez-gallego等[23 ]利用逆向优化法预测对价格敏感的消费者的电力总需求,建立电力总需求的价格响应模型,并利用广义逆向优化法估算模型参数. ...
Fast algorithms for approximate semidefinite programming using the multiplicative weights update method
1
2005
... 乘性权重更新(Multiplicative Weights Updates,MWU)算法[24 ]采用迭代更新的方式,在每一次迭代中,通过定义每轮的损失成本,并利用乘法更新规则对决策进行更新,能够使得总损失成本的期望最小化.采用改进的MWU算法,将原MWU算法中基于列向量的运算扩展至基于二维矩阵的运算,并针对问题属性确定算法学习率,使得改进后的算法具备收敛性. ...
The multiplicative weights update method: A meta-algorithm and applications
1
2012
... 在MWU算法中, 总的损失成本期望为 Arora等[25 ]证明了MWU算法可以确保对于任何概率分布P,均有 ...
上一篇 
