.png){kind=icon}
返回
Accelerated windowing for the crew rostering problem with machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10589-026-00791-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
飞行员机组排班问题（CRP）是一种复杂的机组调度任务，旨在为飞行员分配配对或从同一机场开始和结束的航班序列，以创建月度计划。本文提出了一种创新的方法来解决CRP，该方法采用窗口化方法。该方法包括一个滚动时间范围，我们将优化时间范围分解为几个重叠的、基于时间的窗口，然后依次优化每个窗口。尽管窗口化在其他应用中已获得成功应用，但由于其涉及整个规划范围的众多水平约束，该方法从未被应用于CRP。我们发现，滚动时间范围方法通常能够在传统方法运行时间的几分之一内找到高质量的解决方案。然而，该方法的缺点是每个窗口都是独立优化的，没有其他窗口需求的信息。为解决此问题，我们为求解器提供一个初始解。求解器使用该初始解为每个优化窗口推导可靠信息。初始解通过基于顺序分配程序的混合机器学习（ML）和优化方法快速创建。结果表明，滚动时间范围方法极大地受益于这种初始解。这是因为初始解提供了关于后续窗口的可靠信息，使求解器能够更好地优化当前窗口。
Keyword:
Crew rostering
Crew scheduling
Discrete optimization
Evolutionary algorithm
Machine learning
Reinforcement learning
期刊
C
IF:
2
论文数:
68
被引数:
3.5K
机构
引用论文
.png){kind=icon}
分享收藏Dynamic evaluation of airline Crew’s flight requests using a neural network利用神经网络对航空公司机组人员的飞行请求进行动态评估
OAAI
OAAI分享收藏A multi-start randomized heuristic for real-life crew rostering problems in airlines with work-balancing goals具有工作平衡目标的航空公司现实生活中的机组人员排班问题的多起点随机启发式方法
PREAI
分享收藏分享收藏
查看更多内容