目录
摘 要 I
ABSTRACT II
第一章 文献综述 1
1 研究背景 1
2 国内外研究现状 1
2.1 容量限制的VRP模型 1
2.2 具有随机需求的CVRP 2
2.3 带时间窗的VRP模型 2
2.4 精确式算法 3
2.5 启发式算法 3
2.6 元启发式算法 3
2.7 机器学习 4
第二章 模型建立与算法 6
1 问题定义和参数确定 6
2 多主体注意力模型 7
3 编码器框架 8
4 解码器框架 9
4.1 状态 9
4.2 行为 9
4.3 奖励 10
4.4 训练方法 10
第三章 案例分析与算法对比 12
1 实验设定 12
1.1 20个客户 12
1.2 50个客户 12
1.3 100个客户 12
1.4 150个客户 12
2 算法对比 12
2.1 遗传算法 12
2.2 局部搜索算法 12
2.3 Google ORTools 13
2.4 多主体注意力模型 13
3 结果 13
4 参数灵敏度分析 15
第四章 结论与展望 17
参考文献 18
致谢 19
带时间窗的多车辆路径问题优化模型与算法设计
摘 要
具有时间窗的多车辆路径问题是城市物流配送系统中十分重要的交通组成部分。近十年来，有许多专家学者已经提出了很多用于带有时间窗车辆路径规划的方法，但是大多数方法都使用启发式算法，启发式算法的缺点是需要大量的计算时间，计算效率过低，但随着当前物流需求的快速增长，这一方法已经无法满足目前的需求。为了有效的解决问题，本文使用了一种新颖的强化学习算法，称为MultiAgent Attention Model，此算法可以通过长时间的离线训练并且解决车辆路径问题。具体 *51今日免费论文网|www.51jrft.com +Q: #351916072# 
来说，就是将车辆路径问题看作是车辆行程路线的生成过程，进一步提出一种具有注意层的编解码器框架来迭代生成多个车辆的行程。此外，针对模型训练，本文提出了一种无监督辅助网络的多主体强化学习方法。并且，本文在20个、50个、100个和150个客户网络下分别使用遗传算法、局部搜索算法、ORTooLs以及多主体注意力模型来计算不同车辆数解决问题的成本和时间，并将计算结果进行比较，发现所有方法在小规模的问题上结果都相似，但在问题规模增加时，注意力模型的编解码器框架的计算时间几乎保持不变。这也同时表明强化学习算法能够成功地用于具有复杂约束地车辆路径问题。

原文链接：http://www.jxszl.com/jtgc/jjtys/610152.html