Learning Large Neighborhood Search for Vehicle Routing in Airport Ground Handling

要約

空港のグランド ハンドリング (AGH) では、車両を派遣してフライトを提供することが重要なタスクです。
フライトの著しい増加により、多数のフライトに対して複数のタイプのオペレーション (サービス) を同時にスケジュールすることは困難であり、各タイプのオペレーションは 1 つの特定の車両フリートによって実行されます。
この問題に取り組むために、まず運行スケジューリングを複雑な配車ルートの問題として表現し、それを混合整数線形計画法 (MILP) モデルとして定式化します。
次に、MILP モデルのグラフ表現を考慮して、実際のシナリオに基づいて生成されたデータを使用する学習支援大規模近傍検索 (LNS) メソッドを提案します。この方法では、模倣学習とグラフ畳み込みネットワーク (GCN) を統合して、破棄演算子を学習し、自動的に選択します。
選択した変数を再最適化する修復演算子として市販のソルバーを使用します。
実際の空港に基づく実験結果は、提案された方法が同時に 10 種類の操作で最大 200 便を処理することを可能にし、最先端の方法よりも優れていることを示しています。
さらに、学習した方法は、付随するさまざまなソルバーを一貫して実行し、より大きなインスタンスでうまく一般化し、私たちの方法の汎用性とスケーラビリティを検証します。

要約(オリジナル)

Dispatching vehicle fleets to serve flights is a key task in airport ground handling (AGH). Due to the notable growth of flights, it is challenging to simultaneously schedule multiple types of operations (services) for a large number of flights, where each type of operation is performed by one specific vehicle fleet. To tackle this issue, we first represent the operation scheduling as a complex vehicle routing problem and formulate it as a mixed integer linear programming (MILP) model. Then given the graph representation of the MILP model, we propose a learning assisted large neighborhood search (LNS) method using data generated based on real scenarios, where we integrate imitation learning and graph convolutional network (GCN) to learn a destroy operator to automatically select variables, and employ an off-the-shelf solver as the repair operator to reoptimize the selected variables. Experimental results based on a real airport show that the proposed method allows for handling up to 200 flights with 10 types of operations simultaneously, and outperforms state-of-the-art methods. Moreover, the learned method performs consistently accompanying different solvers, and generalizes well on larger instances, verifying the versatility and scalability of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google