Login
- Original title:
- A Deep Reinforcement Learning Model for Combinatorial Optimization and Fleet Dispatching in Mobility On-Demand Services
- Translated title:
- Ein Tief-Bestärkendes Maschinen-Lern-Modell für kombinatorische Optimierungen der Flottenlogistik und Mobilitätsdienstleistungen nach Anforderung
- Author:
- Hamzehi, Sascha Sirus Jakob
- Year:
- 2023
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Engineering and Design
- Advisor:
- Bogenberger, Klaus (Prof. Dr.)
- Referee:
- Bogenberger, Klaus (Prof. Dr.); Schiffer, Maximilian (Prof. Dr.)
- Language:
- en
- Subject group:
- BAU Bauingenieurwesen, Vermessungswesen
- Keywords:
- Neural Networks, Combinatorial Optimization, Deep Reinforcement Learning, Fleet Dispatching
- Translated keywords:
- Neuronale Netze, Kombinatorische Optimierung, Tief-Bestärkendes Lernen, Flottenlogistik, automatisierte Flottenzuweisung
- TUM classification:
- BAU 850; BAU 875
- Abstract:
- This thesis describes the development and benchmarking of a deep reinforcement learning architecture using a pointer generation neural network with an Actor-Critic Monte-Carlo Policy Gradient training algorithm. The model is tested by solving real-world data-based combinatorial optimization problems for Fleet Dispatching and Minimum Weighted Bipartite Matching graphs by learning a competitive near-optimal and efficient heuristic automatically.
- Translated abstract:
- Diese Dissertation beschreibt die Entwicklung und den Leistungsvergleich einer „Deep Reinforcement Learning“ Architektur mit Zeiger-Generations-Netzwerk, das mit einem „Actor-Critic Monte-Carlo Policy Gradient“ Algorithmus antrainiert wird. Das Modell wird mit echten Daten anhand kombinatorischer Optimierungsprobleme für Flottenlogistik und gewichteten bipartiten Zuweisungsgraphen getestet. Das Modell erlernt hierbei automatisiert eine kompetitive nah-optimale und sehr effiziente Heuristik.
- WWW:
- https://mediatum.ub.tum.de/?id=1649715
- Date of submission:
- 17.06.2022
- Oral examination:
- 20.04.2023
- File size:
- 26256574 bytes
- Pages:
- 191
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230420-1649715-1-2
- Last change:
- 17.07.2023
BibTeX
Occurrences:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen