Полное описание

Сорока, А. Г. Оптимизация маршрутов большой размерности с использованием глубоких нейронных сетей / А. Г. Сорока, А. В. Мещеряков. - DOI 10.31857/S2686954323602014. - Текст : непосредственный // Доклады Российской академии наук. Математика, информатика, процессы управления : журнал. - 2023. - Т. 514, № 2 : Специальный выпуск: технологии искусственного интеллекта и машинного обучения. - С. 91-98. - Библиогр. в конце ст. - ISSN 2686-9543.

ГРНТИ	УДК
28.23.37	004.032.26
81.88	658.7:004.8

Рубрики:
Нейронные сети
Искусственный интеллект -- Применение
Логистика

Кл.слова (ненормированные): задача оптимизации маршрутов -- обучение с подкреплением -- глубокие нейронные сети -- нейросеть
Аннотация: Логистическая задача вывоза и доставки товаров по большому числу точек с ограничениями реального мира (в виде наличия временных окон при исполнении заказов и ограниченной вместимости транспортных средств) возникает, в настоящее время, в областях курьерской доставки, планирования грузоперевозок, маршрутизации. С учетом глобализации и роста бизнеса, потребность в оптимальных и быстрых методах планирования маршрутов, учитывающих ограничения реального мира, крайне велика. Точные методы применимы только на задачах небольшой размерности (50); классические подходы, основанные на эвристиках, позволяют найти субоптимальное решение, но также не справляются с увеличением размера задач 1000). В настоящей работе мы впервые предложили использовать полностью нейросетевые модели для решения логистических задач большой размерности с ограничениями реального мира. Наш подход предполагает последовательное использование двух нейронных сетей: 1-я нейросетевая модель обучается разбивать задачу большой размерности на подзадачи, 2-я модель обучается оптимизировать маршруты в рамках подзадач. Экспериментальные результаты на размере задач 200, 1000, 5000 показывают, что предложенный подход превосходит существующие модели (как эвристические, так и гибридные) в данной области, предоставляя быстрое субоптимальное решение для всех размеров задач. Результаты предложенной модели значительно (до 30%) превосходят эвристики (OR-Tools, LKH), превосходят результаты лучших гибридных подходов, а также обеспечивают значительно меньший процент нерешенных логистических задач по сравнению с подходами на основе эвристик.
Доп. точки доступа:
Мещеряков, А.В.


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -078790-694303)

Шифр в сводном ЭК: 989132360a48fc0cabd7d22d0f5bffee

Заказать
Заказ фрагмента документа ₽