基于随机森林与变邻域下降的车辆合乘求解

doi:10.3778/j.issn.1002-8331.1904-0159

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (13): 243-253.DOI: 10.3778/j.issn.1002-8331.1904-0159

基于随机森林与变邻域下降的车辆合乘求解

郭羽含，胡德甲

辽宁工程技术大学软件学院，辽宁葫芦岛 125105

出版日期:2020-07-01 发布日期:2020-07-02

Vehicle Multiplication Solution Based on Random Forest and Variable Neighborhood Decline

GUO Yuhan, HU Dejia

College of Software, Liaoning Technical University, Huludao, Liaoning 125105, China

Online:2020-07-01 Published:2020-07-02

摘要/Abstract

摘要：

为了最大化用户满意度，长期车辆合乘问题（LTCPP）被建模为多目标优化问题。然后，根据历史合乘数据以及用户满意度信息，使用随机森林算法计算每个指标对用户满意度的重要性影响，并作为对应优化目标的权重，以避免人为设定权重因子对优化结果的影响。提出了一种求解LTCPP的变邻域下降（VND）算法，通过顺序地在多个邻域内搜索得到问题的最优解。实验结果表明，结合随机森林和VND算法能为LTCPP提供高质量的解决方案，且具有很高的时间效率。

关键词: 车辆合乘, 多目标优化, 随机森林, 变邻域下降

Abstract:

In order to maximize users’ satisfaction, the Long-Term Car Pooling Problem（LTCPP） is modeled as a multi-objective optimization problem. Then, according to historical carpooling data and user satisfaction information, random forest algorithm is used to calculate the importance of each feature on users’ satisfaction, and it is used as the weight of the corresponding optimization objective, so as to avoid the influence of artificial setting weight factor on the optimization results. Finally, a Variable Neighborhood Descent（VND） algorithm for LTCPP is proposed, and the optimal solution of the problem is obtained by sequentially searching in multiple neighborhoods. The experimental results show that the VND algorithm can provide a high quality solution for LTCPP, and has a high time efficiency.

Key words: carpooling problem, multi-objective optimization, random forest, Variable Neighborhood Descent（VND）

郭羽含，胡德甲. 基于随机森林与变邻域下降的车辆合乘求解[J]. 计算机工程与应用, 2020, 56(13): 243-253.

GUO Yuhan, HU Dejia. Vehicle Multiplication Solution Based on Random Forest and Variable Neighborhood Decline[J]. Computer Engineering and Applications, 2020, 56(13): 243-253.

[1]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[2]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[3]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[4]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[5]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[6]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[7]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[8]	安磊，韩忠华，林硕，尚文利. 面向网络入侵检测的GAN-SDAE-RF模型研究[J]. 计算机工程与应用, 2021, 57(21): 155-164.
[9]	武炜杰，张景祥. 融合分类信息的随机森林特征选择算法及应用[J]. 计算机工程与应用, 2021, 57(17): 147-156.
[10]	闫政旭，秦超，宋刚. 基于Pearson特征选择的随机森林模型股票价格预测[J]. 计算机工程与应用, 2021, 57(15): 286-296.
[11]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[12]	朱迪，陈丹伟. 基于密度聚类和随机森林的移动应用识别技术[J]. 计算机工程与应用, 2020, 56(4): 63-68.
[13]	胡青渝，刘广臣. DBN在蛋白质编码区识别问题中的应用研究[J]. 计算机工程与应用, 2020, 56(4): 247-255.
[14]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[15]	罗计根，杜建强，聂斌，李欢，聂建华，陈裕凤. 一种聚类欠采样策略的随机森林优化方法[J]. 计算机工程与应用, 2020, 56(22): 166-172.

基于随机森林与变邻域下降的车辆合乘求解

Vehicle Multiplication Solution Based on Random Forest and Variable Neighborhood Decline

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics