Adaptive decision-making for stochastic service network design

📄 arXiv: 2603.24369v1 📥 PDF

作者: Javier Duran Micco, Bilge Atasoy

分类: math.OC, cs.LG

发布日期: 2026-03-25

💡 一句话要点

提出基于模拟退火和自适应代理模型的随机服务网络设计方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 服务网络设计 随机优化 模拟退火 自适应代理模型 离散事件仿真 物流优化 多式联运

📋 核心要点

  1. 现有服务网络设计方法难以有效处理运输时间不确定性和资源限制等实际运营中的复杂性。
  2. 提出一种两阶段优化框架，结合模拟退火算法、离散事件仿真和自适应代理模型，应对随机服务网络设计问题。
  3. 实验表明，该方法在保证解质量的同时，显著降低了计算时间，为解决实际货运规划问题提供了有效途径。

📝 摘要（中文）

本文研究了物流服务提供商(LSP)在多式联运货运网络中的服务网络设计(SND)问题，考虑了不确定的运输时间和有限的卡车车队可用性。提出了一种两阶段优化方法，该方法结合了元启发式算法、仿真和机器学习组件。该解决方案框架集成了战术决策（例如运输请求接受和预定服务的容量预订）与运营决策（包括动态卡车分配、路线规划和响应中断的重新规划）。采用模拟退火(SA)元启发式算法来解决战术问题，并由自适应代理模型提供支持，该模型使用离散事件仿真模型进行训练，以捕获运营复杂性和不确定运输时间的级联效应。使用基准实例评估了所提出方法的性能。首先，在问题的确定性版本上测试了SA，并将其与最先进的结果进行比较，证明它可以提高解决方案质量并显着减少计算时间。然后，将提出的SA应用于更复杂的随机问题。与为每次解决方案评估执行完整仿真的基准算法相比，基于学习的SA生成高质量的解决方案，同时显着减少计算量，在目标函数值上仅相差5%，而计算时间最多减少20倍。这些结果证明了所提出的算法在解决复杂版本的SND方面的强大性能。此外，它们突出了集成各种建模和优化技术的有效性，以及此类方法有效应对货运规划挑战的潜力。

🔬 方法详解

问题定义：本文旨在解决多式联运货运网络中，物流服务提供商面临的随机服务网络设计(SND)问题。该问题考虑了运输时间的不确定性以及卡车车队容量的限制，现有方法难以在合理的时间内找到高质量的解决方案，尤其是在问题规模较大时。

核心思路：论文的核心思路是将问题分解为战术层和运营层，并采用混合优化方法。战术层负责长期决策，如接受哪些运输请求和预订服务容量；运营层负责短期决策，如动态卡车分配和路线规划。通过自适应代理模型连接两个层次，从而在战术决策时考虑到运营层的不确定性。

技术框架：该方法采用两阶段优化框架。第一阶段使用模拟退火(SA)算法解决战术问题，SA算法的每次迭代都需要评估当前解的质量。第二阶段使用离散事件仿真模型模拟运营层的复杂性，并使用仿真结果训练一个自适应代理模型。该代理模型用于在SA算法中快速评估解的质量，避免了每次迭代都进行耗时的仿真。

关键创新：关键创新在于使用自适应代理模型来加速SA算法的评估过程。传统的SA算法需要对每个解进行完整的仿真评估，计算成本很高。通过使用代理模型，可以在保证一定精度的前提下，显著减少评估时间。此外，该方法集成了多种建模和优化技术，包括元启发式算法、仿真和机器学习，充分利用了各自的优势。

关键设计：自适应代理模型采用机器学习方法进行训练，输入是战术决策变量，输出是目标函数值（例如，总成本）。具体的机器学习模型选择和训练方法未在摘要中详细说明。SA算法的关键参数包括初始温度、降温速率和迭代次数，这些参数需要根据具体问题进行调整。

📊 实验亮点

实验结果表明，与传统的基准算法（每次评估都进行完整仿真）相比，该方法在目标函数值上仅相差5%的情况下，计算时间最多减少了20倍。在确定性问题上，该方法也优于现有的最先进算法，证明了其在解决复杂服务网络设计问题方面的有效性。

🎯 应用场景

该研究成果可应用于物流服务提供商的货运网络规划，帮助其在不确定环境下做出更优的运输决策，提高运营效率，降低成本，并提升客户满意度。该方法也可扩展到其他具有类似特征的服务网络设计问题，例如公共交通网络规划和通信网络设计。

📄 摘要（原文）

This paper addresses the Service Network Design (SND) problem for a logistics service provider (LSP) operating in a multimodal freight transport network, considering uncertain travel times and limited truck fleet availability. A two-stage optimization approach is proposed, which combines metaheuristics, simulation and machine learning components. This solution framework integrates tactical decisions, such as transport request acceptance and capacity booking for scheduled services, with operational decisions, including dynamic truck allocation, routing, and re-planning in response to disruptions. A simulated annealing (SA) metaheuristic is employed to solve the tactical problem, supported by an adaptive surrogate model trained using a discrete-event simulation model that captures operational complexities and cascading effects of uncertain travel times. The performance of the proposed method is evaluated using benchmark instances. First, the SA is tested on a deterministic version of the problem and compared to state-of-the-art results, demonstrating it can improve the solution quality and significantly reduce the computational time. Then, the proposed SA is applied to the more complex stochastic problem. Compared to a benchmark algorithm that executes a full simulation for each solution evaluation, the learning-based SA generates high quality solutions while significantly reducing computational effort, achieving only a 5% difference in objective function value while cutting computation time by up to 20 times. These results demonstrate the strong performance of the proposed algorithm in solving complex versions of the SND. Moreover, they highlight the effectiveness of integrating diverse modeling and optimization techniques, and the potential of such approaches to efficiently address freight transport planning challenges.