.png){kind=icon}
返回
A Multi-Objective Collaborative Optimization Framework for Dynamic Multi-Compartment On-Demand Delivery Based on Deep Reinforcement Learning and Evolutionary Search
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.133089.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
按需配送平台日益面临城市食品配送运营，其中订单持续到达，决策需实时更新，且产品需要不同的温控条件。在此背景下，单温区和多温区配送员联合配送热货和冷货，使配送规划成为具有温区容量、温区兼容性和取货-配送优先级约束的动态多温区按需配送问题。同时，平台必须协调平台运营成本、配送员工作负荷公平性和客户满意度之间的冲突目标。本研究在滚动时域框架下提出了一种多目标协同优化框架，用于动态多温区按需配送。所提出的模型同时最小化平台运营成本、改善配送员工作负荷公平性并最大化客户满意度。为以可处理且可解释的方式表示客户满意度，我们引入了基于配送时间容忍区间的分段客户满意度函数。为高效求解该问题，我们提出了D3QNMOCE算法，该算法结合了双重决斗深度Q网络与多目标协同进化优化。强化学习组件在局部搜索中自适应选择邻域算子，而进化组件维持帕累托解集的收敛性和多样性。基于标准实例和受真实世界按需配送运营启发的代表性仿真场景的计算实验表明，所提出的方法能持续生成高质量且分布良好的帕累托解。结果进一步证明，该框架能够在动态多温区配送环境中有效降低平台运营成本、改善配送员工作负荷公平性并提升客户满意度。
Keyword:
Dynamic multi-compartment delivery
On-demand delivery platform
Online pickup-and-delivery
Multi-objective collaborative optimization
Deep reinforcement learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
暂无论文信息