Search for a Suboptimal Solution to the Dynamic Traveling Salesman Problem by the Monte Carlo Method

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅或者付费存取

详细

Рассматривается задача составления плана обхода прямолинейно движущихся в одну точку целей для простых движений перехватчика (коммивояжера). Предлагаются новый критерий задачи на основе начального разбиения области возможного перехвата, а также алгоритм поиска субоптимального плана обхода на основе построения дерева поиска решения методом Монте-Карло. Разработана численная реализация алгоритма, проведено моделирование и статистически проанализированы полученные планы обхода целей. Ключевые слова: динамическая задача коммивояжера, перехват в простых движениях, комбинаторная оптимизация, алгоритм Монте-Карло.

作者简介

A. Galyaev

Институт проблем управления им. В.А. Трапезникова РАН

Email: galaev@ipu.ru
чл.-корр. РАН Москва

E. Ryabushev

Институт проблем управления им. В.А. Трапезникова РАН

Email: lispandhaskell@gmail.com
Москва

参考

  1. Галяев А.А., Яхно В.П., Берлин Л.М., Лысенко П.В., Бузиков М.Э. Оптимизация плана перехвата прямолинейно движущихся целей // А и Т. 2023. № 10. С. 18–36.
  2. Сихарулидзе Г.Г. Об одном обобщении задачи коммивояжера. I // А и Т. 1971. № 8 С. 116–123.
  3. Сихарулидзе Г.Г. Об одном обобщении задачи коммивояжера. II // А и Т. 1971. № 10. С. 142–147.
  4. Picard J.C., Queyranne M. The time-dependent traveling salesman problem and its application to the tardiness problem in one-machine scheduling // Oper. Res. 1978. V. 26. No. 1. P. 86–110. doi: 10.1287/opre.26.1.86
  5. Helvig C.S., Robins G., Zelikovsky A. The moving-target traveling salesman problem // J. Algorithm. Comput. Technol. 2003. V. 49. No. 1. P. 153–174. https://doi.org/10.1016/S0196-6774(03)00075-0
  6. Garey M.R., Johnson D.S. Computers and intractability: A guide to the theory of NP-completeness. San Francisco, Calif.: W. H. Freeman & Co., 1979.
  7. Li C., Yang M., Kang L. A New Approach to Solving Dynamic Traveling Salesman Problems. In: Wang, TD., et al. Simulated Evolution and Learning // Lecture Notes Comput. Sci. 2006. V. 4247. Springer, Berlin, Heidelber.
  8. Archetti C., Feillet D., Mor A., Speranza M.G. Dynamic traveling salesman problem with stochastic release dates // Eur. J. Oper. 2020. V. 280. I. 3. P. 832–844. ISSN 0377-2217
  9. Silver D., Huang A., Maddison C. et al Mastering the game of Go with deep neural networks and tree search // Nature. 28 January 2016. 529 (7587): P. 484–489. https://doi.org/10.1038/nature16961.
  10. Schadd M.P.D., Winands M.H.M., van den Herik H.J., Chaslot G.M.J.B., Uiterwijk J.W.H.M. (2008). Single-Player Monte-Carlo Tree Search // Computers and Games. CG 2008. Lecture Notes in Computer Science, vol 5131. Springer, Berlin, Heidelberg.
  11. Mattia Crippa, Pier Luca Lanzi, Fabio Marocchi. An analysis of Single-Player Monte Carlo Tree Search performance in Sokoban // Expert Syst. Appl. 15 April 2022. V. 192. P. 2–3.
  12. Cotarelo A., Vicente G., Edward Rolando N., Cristian G., Alberto G., Jerry Ch. Improving Monte Carlo Tree Search with Artificial Neural Networks without Heuristics. Appl. Sci. 2021. V. 11, No. 5. 2056. https://doi.org/10.3390/app11052056
  13. Marco K. Beyond Games: A Systematic Review of Neural Monte Carlo Tree Search Applications // arXiv:2303.08060. https://doi.org/10.48550
  14. Auer P., Cesa-Bianchi N., Fischer P. Finite-time Analysis of the Multiarmed Bandit Problem // Machine Learning. 2002. V. 47. P. 235–256. https://doi.org/10.1023/A:1013689704352
  15. Kocsis L., Szepesvari C. Bandit Based Monte-Carlo Planning. Furnkranz J., Scheffer T., Spiliopoulou M. (eds) // Machine Learning: ECML 2006. ECML 2006. Lecture Notes Comput. Sci. V. 4212. Springer, Berlin, Heidelberg.
  16. Swiechowski M., Godlewski K., Sawicki B. et al. Monte Carlo Tree Search: a review of recent modifications and applications // Artif. Intell. Rev. 2023 V. 56. P. 2497–2562. https://doi.org/10.1007/s10462-022-10228-y

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © The Russian Academy of Sciences, 2024