Resumen

Hoy en día, encontrar la ruta óptima para los vehículos a través de la planificación de rutas de vehículos en línea es uno de los principales problemas que la industria de la logística necesita resolver. Debido a la incertidumbre del sistema de transporte, especialmente el problema de la entrega de última milla de paquetes pequeños en el transporte logístico incierto, el cálculo de la planificación de la ruta de los vehículos logísticos se vuelve más complejo que antes. La mayoría de las soluciones existentes se aplican menos a las nuevas tecnologías, como el aprendizaje automático, y la mayoría de ellas utilizan un algoritmo heurístico. Este tipo de solución no sólo necesita establecer muchas restricciones, sino que también requiere mucho tiempo de cálculo en la red logística con alta densidad de demanda. Para diseñar la ruta incierta de transporte logístico con un tiempo mínimo, este trabajo propone una nueva estrategia de optimización basada en el aprendizaje profundo de refuerzo que convierte los problemas inciertos de enrutamiento logístico en línea en problemas de planificación de rutas de vehículos y diseña una red de punteros integrada para obtener la solución óptima. Teniendo en cuenta el largo tiempo para resolver la red neuronal, no es realista entrenar los parámetros a través de datos supervisados. Este artículo utiliza un método no supervisado para entrenar los parámetros. Dado que el proceso de entrenamiento de los parámetros es offline, esta estrategia puede evitar el elevado retraso. A través de la parte de simulación, no es difícil ver que la estrategia propuesta en este artículo resolverá efectivamente el problema de programación logística incierta bajo el tiempo de computación limitado, y es significativamente mejor que otras estrategias. En comparación con los procedimientos matemáticos tradicionales, el algoritmo propuesto en este trabajo puede reducir la distancia de conducción en un 60,71%. Además, este trabajo también estudia el impacto de algunos parámetros clave en el efecto del programa.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:transporte logístico incierto, planificación de trayectorias de vehículos, papel, tiempo de cálculo limitado, aprendizaje de refuerzo profundo, logística online incierta, muchas restricciones, estrategia, alta densidad de demanda, mucho tiempo de cálculo
• Keywords:uncertain logistics transportation, vehicle path planning, paper, limited computing time, deep reinforcement learning, uncertain online logistics, lot of constraints, strategy, high demand density, much calculation time