新書推薦：
《
财之道丛书·资本主义的终结：经济增长与气候变化的悖论
》
售價：NT$
347
《
唐代家庭：生活、生计与家风
》
售價：NT$
500
《
算法政治
》
售價：NT$
332
《
人论：人类文化哲学导论
》
售價：NT$
449
《
霸权之后：世界政治经济中的合作与纷争（东方编译所译丛）
》
售價：NT$
383
《
夜书房四集：书林与书趣
》
售價：NT$
383
《
全球基础研究人才指数报告（2025）
》
售價：NT$
1520
《
海上墨林：沪上书画家的艺术与生活
》
售價：NT$
347
|
| 編輯推薦： |
|
本书聚焦于如何借助人工智能、运筹优化等技术，在用户、骑手、商家之间实现调度的最优化或次优化，相关调度优化技术在支撑当前及未来庞大市场规模下的高效运营，推动即时配送物流网络提质增效，促进数字经济发展等方面。
|
| 內容簡介： |
|
本书主要介绍即时配送问题的建模，以及路径规划、订单指派和订单推荐等核心优化决策问题的高效求解方法。本书共10章，具体内容如下:第1章为绪论，主要介绍即时配送问题的研究进展、数学建模及计算建模;第2章为基于启发式规则与监督学习的路径规划;第3章为基于贪婪迭代与端到端学习的随机路径规划，主要介绍确定和不确定场景下的路径规划方法;第4章为基于图神经网络与后悔值的订单指派;第5章为基于多调度规则与监督学习的订单指派;第6章为基于多邻域搜索与模仿学习的订单指派，主要介绍多骑手、小单量和大单量场景下的订单指派方法;第7章为基于贪婪迭代与快速评价的随机订单指派;第8章为基于弱监督学习与自适应平衡策略的不确定订单指派，主要介绍出餐时间和供需关系不确定场景下的订单指派方法;第9章为基于意愿预估与召回排序的订单推荐;第10章为基于深度强化学习与反馈信息辨识的订单推荐，主要介绍单轮决策和序贯决策场景下的订单推荐方法。
|
| 關於作者： |
|
王凌，清华大学自动化系长聘教授，获国家杰出青年科学基金，中国高被引作者，担任SEC、IJAAC主编、CSMS执行主编、ESWA高级编辑、IEEETEVC、MC等期刊副主编、控制理论与应用、控制与决策、计算机集成制造系统、系统工程与电子技术等期刊编委。主要从事人工智能及智能控制与调度优化研究，已出版专著5部、在IEEETrans等期刊上发表SCI论文350余篇、WOS引用2万余次、GoogleScholar引用3万余次。曾获国家自然科学二等奖、教育部自然科学一等奖、中国仿真学会自然科学一等奖和创新技术一等奖、北京市科技新星、中国自动化学会青年科学家奖、清华大学学术新人奖、IEEETEVC杰出AE、INFORMSFranzEdelmanFinalistAward等。
|
| 目錄：
|
目录
第1章绪论1
1.1配送问题代表性研究进展2
1.1.1动态车辆路径问题2
1.1.2取送问题4
1.1.3即时配送问题7
1.2即时配送问题数学建模8
1.2.1数学模型8
1.2.2模型特点12
1.3即时配送问题计算建模12
1.3.1即时配送问题分解12
1.3.2路径规划模型14
1.3.3订单指派模型17
1.3.4订单推荐模型21
参考文献23
第2章基于启发式规则与监督学习的路径规划31
2.1引言31
2.2启发式路径规划算法32
2.2.1订单排序规则32
2.2.2插入式路径构造算法33
2.2.3基于地理信息的加速策略34
2.2.4路径构造过程分析35
2.3基于XGBoost的排序规则自适应选择37
2.3.1XGBoost算法37
2.3.2特征设计40
2.3.3XGBoost增强的路径构造算法42
2.4离线数值实验43
2.4.1实验设置43
2.4.2模型预测效果评估46
2.4.3算法优化效果评估47
2.4.4不同正负样本比例下算法表现及分析49
2.4.5特征有效性分析50
参考文献51
第3章基于贪婪迭代与端到端学习的随机路径规划55
3.1引言55
3.2问题建模55
3.3算法设计58
3.3.1贪婪迭代算法58
3.3.2端到端深度学习60
3.4离线数值实验65
3.4.1实验设置65
3.4.2自环节有效性验证67
3.4.3算法优化效果及效率评估69
参考文献72
第4章基于图神经网络与后悔值的订单指派73
4.1引言73
4.2基于图神经网络的两阶段优化方法73
4.2.1问题特征的嵌入表示73
4.2.2注意力机制75
4.2.3基于图神经网络的高效筛选77
4.2.4基于后悔值的贪婪指派79
4.3离线数值实验80
4.3.1实验设置81
4.3.2模型预测效果评估84
4.3.3算法优化效果及效率评估85
4.4在线A/B测试89
4.4.1实验设置89
4.4.2应用效果90
参考文献94
第5章基于多调度规则与监督学习的订单指派95
5.1引言95
5.2带自适应策略的指派框架95
5.2.1算法框架95
5.2.2迭代匹配算法96
5.2.3基于机器学习模型的自适应策略98
5.3离线数值实验103
5.3.1实验设置103
5.3.2模型预测效果评估105
5.3.3特征有效性分析106
5.3.4算法优化效果评估106
5.4在线A/B测试111
5.4.1实验设置111
5.4.2应用效果111
参考文献112
第6章基于多邻域搜索与模仿学习的订单指派113
6.1引言113
6.2算法设计113
6.2.1算法框架113
6.2.2启发式指派算法114
6.2.3专家算法118
6.2.4机器学习模型123
6.3离线数值实验126
6.3.1实验设置126
6.3.2算法优化效果及效率评估128
6.4在线A/B测试135
6.4.1实验设置135
6.4.2应用效果135
参考文献136
第7章基于贪婪迭代与快速评价的随机订单指派137
7.1引言137
7.2问题建模137
7.2.1符号定义137
7.2.2目标函数建模138
7.3算法设计140
7.3.1带过滤的贪婪迭代算法141
7.3.2混合路径规划算法143
7.4离线数值实验152
7.4.1实验设置152
7.4.2自环节有效性验证155
7.4.3算法优化效果评估157
参考文献158
第8章基于弱监督学习与自适应平衡策略的不确定订单指派160
8.1引言160
8.2问题描述161
8.2.1符号定义161
8.2.2模糊逻辑系统163
8.2.3问题建模164
8.3辨识+平衡框架167
8.3.1算法框架167
8.3.2实时供需辨识模块167
8.3.3多目标平衡模块173
8.4离线数值实验175
8.4.1实验设置175
8.4.2算法优化效果评估176
8.5在线A/B测试178
8.5.1实验设置178
8.5.2应用效果178
参考文献181
第9章基于意愿预估与召回排序的订单推荐183
9.1引言183
9.2快送场景调度系统运行流程184
9.3“预测+优化”分层求解框架186
9.3.1预测层——骑手意愿预估186
9.3.2优化层——推荐列表生成189
9.4离线数值实验192
9.4.1实验设置192
9.4.2模型预测效果评估194
9.4.3算法优化效果评估194
参考文献199
第10章基于深度强化学习与反馈信息辨识的订单推荐201
10.1引言201
10.2问题描述和MDP建模202
10.3基于深度强化学习和反馈信息辨识的订单推荐框架205
10.3.1演员 评论家网络结构205
10.3.2骑手行为预测网络结构207
10.3.3反馈信息辨识网络结构208
10.3.4训练方法211
10.3.5测试方法212
10.4离线数值实验214
10.4.1实验设置214
10.4.2模型预测效果评估214
10.4.3订单推荐算法对比216
10.5在线A/B测试219
10.5.1实验设置219
10.5.2应用效果220
参考文献220
|
| 內容試閱：
|
即时配送智能优化决策
王凌陈靖方郑洁王兴著
清华大学出版社
北京
内容简介
本书主要介绍即时配送问题的建模，以及路径规划、订单指派和订单推荐等核心优化决策问题的高效求解方法。本书共10章，具体内容如下:第 1章为绪论，主要介绍即时配送问题的研究进展、数学建模及计算建模;第2章为基于启发式规则与监督学习的路径规划;第 3章为基于贪婪迭代与端到端学习的随机路径规划，主要介绍确定和不确定场景下的路径规划方法;第4章为基于图神经网络与后悔值的订单指派;第 5章为基于多调度规则与监督学习的订单指派;第6章为基于多邻域搜索与模仿学习的订单指派，主要介绍多骑手、小单量和大单量场景下的订单指派方法;第7章为基于贪婪迭代与快速评价的随机订单指派;第 8章为基于弱监督学习与自适应平衡策略的不确定订单指派，主要介绍出餐时间和供需关系不确定场景下的订单指派方法;第9章为基于意愿预估与召回排序的订单推荐;第10章为基于深度强化学习与反馈信息辨识的订单推荐，主要介绍单轮决策和序贯决策场景下的订单推荐方法。
本书可供从事物流配送、人工智能、运筹优化等领域研究的师生和科研技术人员参考使用。
版权所有，侵权必究。举报： 010?62782989，beiqinquan@tup.tsinghua.edu.cn。图书在版编目 (CIP) 数据
即时配送智能优化决策 / 王凌等著. ?? 北京 : 清华大学出版社， 2025. 6.
ISBN 978?7?302?69744?2
Ⅰ. F252.1?39
中国国家版本馆CIP数据核字第2025QL7949号责任编辑: 刘杨
封面设计: 钟达
责任校对: 赵丽敏
责任印制: 杨艳
出版发行: 清华大学出版社
网址: https://www.tup.com.cn， https://www.wqxuetang.com
地址: 北京清华大学学研大厦A座邮编: 100084
社总机: 010?83470000邮购: 010?62786544
投稿与读者服务: 010?62776969， c?service@tup.tsinghua.edu.cn
质量反馈: 010?62772015， zhiliang@tup.tsinghua.edu.cn
印装者: 涿州市般润文化传播有限公司
经销: 全国新华书店
开本: 170mm×240mm印张: 14.75字数: 293千字
版次: 2025年8月第1版印次: 2025年8月第1次印刷
定价: 58.00元
产品编号: 108547?01
数字经济是现代经济发展中的关键领域。在数字经济时代，物流业迎来了数字化、智能化转型升级的高速发展机遇。随着信息技术的融合应用，物流业在价值创造和商业模式的实现方式上产生了重大变革，新产业、新业态不断涌现。作为数字经济的一种新型第三方物流模式，即时配送具有无仓储、点对点配送、分钟级送达等特点，配送品类已从餐饮外卖扩充到商超、生鲜、绿植、蛋糕、医药等各种日常生活物资，行业规模持续扩大。据统计，2020年，我国即时配送市场规模已超过6500亿元，用户规模突破4.5亿人；2022年，我国即时配送订单量约400亿单，体量已接近快递业的40%。因此，即时配送已成为保障民生、维系国民经济平稳运行的重要环节。
订单和骑手的调度是即时配送的核心环节。在学术上，即时配送问题可归结为一类特殊的复杂车辆路径问题。同时，现实配送场景给即时配送方法带来诸多挑战，具体如下： ①大规模。千万量级的订单和百万量级的骑手给即时配送方法的高质优化决策带来挑战。②强动态。订单的连续到达和骑手的位置变更给即时配送方法的实时优化决策带来挑战。③高时效。分钟级送达、秒级决策的要求给即时配送方法的高效优化决策带来挑战。④多目标。用户、骑手、商家三方需求给即时配送方法的多维优化决策带来挑战。⑤强耦合。订单分配、路径规划等环节的强耦合给即时配送方法的协同优化决策带来挑战。⑥不确定。服务过程多样化的人为因素和环境因素给即时配送方法的鲁棒优化决策带来挑战。如今，即时配送已成为物流管理、运筹优化、交通运输及人工智能等诸多领域的热点研究问题。近些年，Management Science、Transportation Science、IEEE Transactions on Intelligent Transportation Systems等国际权威期刊上均有多篇相关论文发表。因此，研究即时配送问题的优化决策理论与方法具有重要的学术价值，并对提升配送效率、降低运营成本、改善服务质量具有重大的现实意义，有助于推动即时配送行业的发展。
目前，即时配送问题优化决策的研究还处于发展初期，建模层面存在场景覆盖不全、问题假设过简等不足；方法层面存在智能特色不强、落地应用较难等缺陷。调研表明，国内外尚无专门针对即时配送场景优化决策理论与方法的相关书籍。依托清华大学?美团数字生活联合研究院合作课题、国家自然科学基金等项目，作者所在课题组围绕即时配送优化决策，开展问题建模、方法设计和应用实践，通过融合运筹优化与机器学习提出多种智能优化技术，并在运筹优化、交通运输等领域诸多著名国际期刊上发表了多篇学术论文，同时在美团配送平台开展线上测试验证，并在全国得到成功推广应用，有效改善了用户与骑手的体验及配送的效率和效益。本书融合了课题组的代表性研究成果，介绍即时配送问题的建模及路径规划、订单指派和订单推荐等核心优化决策问题的高效求解方法。全书由10章构成，第1章介绍即时配送问题的研究进展、数学建模及计算建模，第2章介绍确定场景下基于启发式规则与监督学习的路径规划，第3章介绍出餐时间不确定场景下基于贪婪迭代与端到端学习的路径规划，第4章介绍多骑手场景下基于图神经网络与后悔值的订单指派，第5章介绍小单量场景下基于多调度规则与监督学习的订单指派，第6章介绍大单量场景下基于多邻域搜索与模仿学习的订单指派，第7章介绍出餐时间不确定场景下基于贪婪迭代与快速评价的订单指派，第8章介绍供需关系不确定场景下基于弱监督学习与自适应平衡策略的订单指派，第9章介绍单轮决策场景下基于意愿预估与召回排序的订单推荐，第10章介绍序贯决策场景下基于深度强化学习与反馈信息辨识的订单推荐。各章内容安排及其联系如图所示。
各章内容安排及其联系
希望本书的出版，有助于读者了解即时配送问题的特点、难点、要点及相关建模和优化技术，在理论和方法层面为从事物流配送、人工智能、运筹优化等领域研究的师生和科研技术人员提供借鉴，推动即时配送的研究与发展，并为其他复杂优化决策问题的求解提供新的思路，进而促进相关学科的交叉融合。
感谢清华大学?美团数字生活联合研究院、美团配送部门，为相关项目的开展提供了大力帮助；感谢清华大学出版社为本书的出版给予了大力支持；感谢课题组博士研究生为项目的实施倾注了大量心血。另外，特别感谢国家自然科学基金青年科学基金（项目编号： 62403272）和面上项目（项目编号： 62273193）、北京市自然科学基金青年科学基金（项目编号： 4244093）、博士后创新人才支持计划（项目编号： BX20230173）、清华大学水木学者等项目对相关研究工作和本书出版的资助。
鉴于作者水平有限，本书还有许多待完善和深入研究的内容。对于不足之处，诚望读者批评指教。
作者2025年1月
目录
第1章绪论1
1.1配送问题代表性研究进展2
1.1.1动态车辆路径问题2
1.1.2取送问题4
1.1.3即时配送问题7
1.2即时配送问题数学建模8
1.2.1数学模型8
1.2.2模型特点12
1.3即时配送问题计算建模12
1.3.1即时配送问题分解12
1.3.2路径规划模型14
1.3.3订单指派模型17
1.3.4订单推荐模型21
参考文献23
第2章基于启发式规则与监督学习的路径规划31
2.1引言31
2.2启发式路径规划算法32
2.2.1订单排序规则32
2.2.2插入式路径构造算法33
2.2.3基于地理信息的加速策略34
2.2.4路径构造过程分析35
2.3基于XGBoost的排序规则自适应选择37
2.3.1XGBoost算法37
2.3.2特征设计40
2.3.3XGBoost增强的路径构造算法42
2.4离线数值实验43
2.4.1实验设置43
2.4.2模型预测效果评估46
2.4.3算法优化效果评估47
2.4.4不同正负样本比例下算法表现及分析49
2.4.5特征有效性分析50
参考文献51
第3章基于贪婪迭代与端到端学习的随机路径规划55
3.1引言55
3.2问题建模55
3.3算法设计58
3.3.1贪婪迭代算法58
3.3.2端到端深度学习60
3.4离线数值实验65
3.4.1实验设置65
3.4.2自环节有效性验证67
3.4.3算法优化效果及效率评估69
参考文献72
第4章基于图神经网络与后悔值的订单指派73
4.1引言73
4.2基于图神经网络的两阶段优化方法73
4.2.1问题特征的嵌入表示73
4.2.2注意力机制75
4.2.3基于图神经网络的高效筛选77
4.2.4基于后悔值的贪婪指派79
4.3离线数值实验80
4.3.1实验设置81
4.3.2模型预测效果评估84
4.3.3算法优化效果及效率评估85
4.4在线A/B测试89
4.4.1实验设置89
4.4.2应用效果90
参考文献94
第5章基于多调度规则与监督学习的订单指派95
5.1引言95
5.2带自适应策略的指派框架95
5.2.1算法框架95
5.2.2迭代匹配算法96
5.2.3基于机器学习模型的自适应策略98
5.3离线数值实验103
5.3.1实验设置103
5.3.2模型预测效果评估105
5.3.3特征有效性分析106
5.3.4算法优化效果评估106
5.4在线A/B测试111
5.4.1实验设置111
5.4.2应用效果111
参考文献112
第6章基于多邻域搜索与模仿学习的订单指派113
6.1引言113
6.2算法设计113
6.2.1算法框架113
6.2.2启发式指派算法114
6.2.3专家算法118
6.2.4机器学习模型123
6.3离线数值实验126
6.3.1实验设置126
6.3.2算法优化效果及效率评估128
6.4在线A/B测试135
6.4.1实验设置135
6.4.2应用效果135
参考文献136
第7章基于贪婪迭代与快速评价的随机订单指派137
7.1引言137
7.2问题建模137
7.2.1符号定义137
7.2.2目标函数建模138
7.3算法设计140
7.3.1带过滤的贪婪迭代算法141
7.3.2混合路径规划算法143
7.4离线数值实验152
7.4.1实验设置152
7.4.2自环节有效性验证155
7.4.3算法优化效果评估157
参考文献158
第8章基于弱监督学习与自适应平衡策略的不确定订单指派160
8.1引言160
8.2问题描述161
8.2.1符号定义161
8.2.2模糊逻辑系统163
8.2.3问题建模164
8.3辨识+平衡框架167
8.3.1算法框架167
8.3.2实时供需辨识模块167
8.3.3多目标平衡模块173
8.4离线数值实验175
8.4.1实验设置175
8.4.2算法优化效果评估176
8.5在线A/B测试178
8.5.1实验设置178
8.5.2应用效果178
参考文献181
第9章基于意愿预估与召回排序的订单推荐183
9.1引言183
9.2快送场景调度系统运行流程184
9.3“预测+优化”分层求解框架186
9.3.1预测层——骑手意愿预估186
9.3.2优化层——推荐列表生成189
9.4离线数值实验192
9.4.1实验设置192
9.4.2模型预测效果评估194
9.4.3算法优化效果评估194
参考文献199
第10章基于深度强化学习与反馈信息辨识的订单推荐201
10.1引言201
10.2问题描述和MDP建模202
10.3基于深度强化学习和反馈信息辨识的订单推荐框架205
10.3.1演员?评论家网络结构205
10.3.2骑手行为预测网络结构207
10.3.3反馈信息辨识网络结构208
10.3.4训练方法211
10.3.5测试方法212
10.4离线数值实验214
10.4.1实验设置214
10.4.2模型预测效果评估214
10.4.3订单推荐算法对比216
10.5在线A/B测试219
10.5.1实验设置219
10.5.2应用效果220
参考文献220
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
