.png){kind=icon}
返回
Managing the container premarshalling problem to optimality using quantum-enhanced deep learning
.png){kind=icon}
PRE
AI
DOI：10.1057/s41278-025-00338-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了人工智能（AI）驱动的决策制定以改进集装箱港口运营。所提出的模型在深度强化学习（DRL）框架内整合了量子计算（QC）与改进的软演员-评论家（SAC）算法。变分量子电路（VQCs）增强了集装箱预堆放问题（CPMP）中的动作选择，确保集装箱码头的高效与高产出。在CPMP中，主要挑战包括集装箱重新排列、资源配置以及通过消除障碍来优化起重机移动。计算实验验证了在深度学习范式下，混合量子-经典算法对实际港口运营的适用性，减少了集装箱重新定位和起重机操作时间。敏感性分析和消融研究突显了量子电路、启发式方法及熵正则化的重要性，表明量子-经典协同效应对模型性能的影响。该方法创新地展示了量子增强深度学习策略的潜力，相较于面临诸多挑战的传统方法，能够为以起重机时间为目标的预堆放问题提供更有效的解决方案，提升多目标优化能力，并为未来量子计算应用奠定基础。
Keyword:
Container premarshalling
Multi-objective optimization
Deep learning
Quantum computing
Container terminal efficiency
期刊
M
IF:
4.8
论文数:
24
被引数:
0
机构
引用论文
.png){kind=icon}
The container premarshalling problem under limited crane time: A constraint programming approach
OAAI
OAAI分享收藏An efficient ant colony optimization algorithm for the blocks relocation problem一种求解街区搬迁问题的高效蚁群优化算法
PREAI
分享收藏分享收藏
查看更多内容