基于双重指针网络的车货匹配双重序列决策研究

由于我国对公路运输资源利用不均,车货供需问题成为如今的热点问题。车货供需匹配平台为最大化总体运力资源利用率,需要整合运输需求和运力,降低成本并提高效率。大部分平台通常采用启发式算法求解车货匹配问题,此类算法面对大规模的问题时存在寻优瓶颈。针对上述问题,首次将车货供需匹配问题转变成一种双重序列决策问题,据此研究适用于当今车货供需匹配环节的一种高效算法。首先,提出了一种车货匹配的数学模型,并将该模型抽象为双重序列决策问题,再创新性地提出双重指针网络算法求解该问题。本实验使用Actor-Critic算法作为模型的训练框架来训练双重指针网络,并评估了模型。经实验得,双重指针网络的车货匹配求解方法的寻优能力在小问题规模中与传统启发式算法相当,在大问题规模中超越启发式算法,同时时间消耗都大大下降。

特征选择融合深度强化学习分类模型的构建及应用

针对数据集采用传统机器学习算法分类预测性能偏低的问题,提出一种新型深度强化学习分类模型。该模型将分类问题看作是一个序列决策问题,利用深度Q网络算法学习对应的分类策略。通过融合卡方检验特征选择算法减少特征维数,以降低序列决策过程中动作空间搜索范围,采用线性衰减ε-贪婪策略优化探索与利用的过程,降低分类模型构建时的计算复杂度并提高模型的性能。实验结果表明,该文方法与已有的ELM、CCR-ELM、SVM和nDRL相比,在UCI数据集上准确率最高提升了19.38%,在脑卒中TCD数据集上准确率最高提升了20.64%。