抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
車両ルーティング問題のような組合せ最適化問題を解決するための学習は,古典的操作研究ソルバと発見的手法に対して大きな計算上の利点を提供する。最近開発された深層強化学習手法は,最初に与えられた解を反復的あるいは逐次的に,個々のトルーの集合を構築する。しかしながら,既存の学習ベース手法の大部分は,固定数の車両に対して動作できず,従って,顧客の複雑な割当て問題を,利用可能な車両のアプリオリの与えられた数に迂回する。他方,これは,多くのロジスティックサービスプロバイダが特定の有界フリートサイズに対して提供されるソリューションに依存し,車両数に短期変化に対応できないので,実際の応用に適していない。対照的に,利用可能な車両のアプリオリ固定数に関して,スクラッチから完全なトループランを構築する強力な教師つき深層学習フレームワークを提案した。効率的な後処理方式と組合わせて,著者らの教師つきアプローチは,車両コストの実際的側面を取り入れた競合結果を達成するだけでなく,訓練するのが容易である。完全制御実験において,著者らは,著者らの方法を,安定した性能を実証し,一方,より少ない車両を利用し,関連する研究の実験プロトコルにおける既存の不一致に光を投げる,複数の最先端手法と比較する。【JST・京大機械翻訳】