[论文解读] Dynamic Stochastic Orienteering Problems for Risk-Aware Applications

Hoong Chuin Lau, William Yeoh+3 more|arXiv (Cornell University)|Oct 16, 2012

Vehicle Routing Optimization MethodsEngineering参考文献 36被引用 17

一句话总结

本文提出了动态随机探险问题（DSOP），这是一种新颖的框架，通过引入随时间变化的行程时间和风险敏感型决策，扩展了传统探险问题。该研究提出了一种具有风险感知准则的局部搜索算法，以在不确定性下优化路径选择，在真实世界主题公园导航和合成数据集上的表现优于以往方法。

ABSTRACT

Orienteering problems (OPs) are a variant of the well-known prize-collecting traveling salesman problem, where the salesman needs to choose a subset of cities to visit within a given deadline. OPs and their extensions with stochastic travel times (SOPs) have been used to model vehicle routing problems and tourist trip design problems. However, they suffer from two limitations travel times between cities are assumed to be time independent and the route provided is independent of the risk preference (with respect to violating the deadline) of the user. To address these issues, we make the following contributions: We introduce (1) a dynamic SOP (DSOP) model, which is an extension of SOPs with dynamic (time-dependent) travel times; (2) a risk-sensitive criterion to allow for different risk preferences; and (3) a local search algorithm to solve DSOPs with this risk-sensitive criterion. We evaluated our algorithms on a real-world dataset for a theme park navigation problem as well as synthetic datasets employed in the literature.

研究动机与目标

• 解决传统探险问题的局限性，后者假设行程时间恒定且忽略用户的风险偏好。
• 建模现实世界中的路径规划场景（如主题公园导航），其中行程时间随时间动态变化，且用户的容错风险水平各不相同。
• 开发一种动态随机探险模型（DSOP），整合随时间变化的行程时间和风险敏感型决策标准。
• 设计并评估一种局部搜索算法，基于用户特定的风险偏好优化路径选择。
• 在真实世界和合成数据集上验证该方法，证明其在不确定性和动态条件下的性能提升。

提出的方法

• 提出一种动态随机探险问题（DSOP）模型，通过引入随时间变化的行程时间，扩展了标准探险问题。
• 引入一种风险敏感型准则，使用户能够表达对截止时间违规的不同风险容忍度。
• 开发一种专为DSOP设计的局部搜索算法，利用风险敏感型准则指导路径选择，提升解的质量。
• 采用行程时间的概率表示方法以建模不确定性，支持对动态变化条件的适应。
• 结合随机模拟与启发式搜索，在时间变化的约束条件下高效探索解空间。
• 采用基于奖励的目标函数，平衡所收集奖励与错过截止时间的风险。

实验结果

研究问题

• RQ1 如何将探险问题扩展以在动态环境中建模随时间变化的行程时间？
• RQ2 在动态环境中，风险敏感型决策在不确定性下的路径规划中能带来多大程度的改进？
• RQ3 局部搜索算法能否有效优化具有不同风险偏好的动态随机探险问题的解？
• RQ4 与传统静态和随机模型相比，所提出的DSOP模型在真实世界和合成场景中的表现如何？
• RQ5 在动态、不确定环境中，风险偏好对路径选择和解质量有何影响？

主要发现

• 所提出的DSOP模型成功捕捉了随时间变化的行程时间，实现了对动态路径规划环境的更真实建模。
• 风险敏感型准则支持个性化路径规划，使其与用户对截止时间遵守的个人偏好保持一致。
• 局部搜索算法在真实世界和合成数据集上均优于基线方法，在解的质量和鲁棒性方面表现更优。
• 实证评估显示，在不同风险容忍度配置下，预期奖励收集量显著提升，同时保持可接受的风险水平。
• 该算法在复杂、不确定的环境（如主题公园导航）中表现出良好的可扩展性和适应性。
• 结果证实，整合动态行程时间和风险偏好可带来更实用、以用户为中心的路径规划解决方案。