Login
- Originaltitel:
- A Deep Reinforcement Learning Model for Combinatorial Optimization and Fleet Dispatching in Mobility On-Demand Services
- Übersetzter Titel:
- Ein Tief-Bestärkendes Maschinen-Lern-Modell für kombinatorische Optimierungen der Flottenlogistik und Mobilitätsdienstleistungen nach Anforderung
- Autor:
- Hamzehi, Sascha Sirus Jakob
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Bogenberger, Klaus (Prof. Dr.)
- Gutachter:
- Bogenberger, Klaus (Prof. Dr.); Schiffer, Maximilian (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- BAU Bauingenieurwesen, Vermessungswesen
- Stichworte:
- Neural Networks, Combinatorial Optimization, Deep Reinforcement Learning, Fleet Dispatching
- Übersetzte Stichworte:
- Neuronale Netze, Kombinatorische Optimierung, Tief-Bestärkendes Lernen, Flottenlogistik, automatisierte Flottenzuweisung
- TU-Systematik:
- BAU 850; BAU 875
- Kurzfassung:
- 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.
- Übersetzte Kurzfassung:
- 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
- Eingereicht am:
- 17.06.2022
- Mündliche Prüfung:
- 20.04.2023
- Dateigröße:
- 26256574 bytes
- Seiten:
- 191
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230420-1649715-1-2
- Letzte Änderung:
- 17.07.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen