深度强化文献阅读系列（一）：Courier routing and assignment for food delivery service using reinforcement learning

来源：文章于2022年发表于期刊COMPUTERS & INDUSTRIAL ENGINEERING ，期刊基本信息及影响因子如下图所示：

目录

摘要

1.研究贡献

2.文献综述

3.问题描述

3.1 问题描述

3.2 问题假设/前提条件

3.3 问题定义

4.解决方法

4.1 强化学习基本框架

4.2 Q-learning

4.3 DDQN

4.4 Rule Based algorithm

5.仿真评估

6.实验结果

6.1 Q-learning单agent

6.2 DDQN单agent vs DDQN

6.3 平均收获报酬对比结果

6.4 平均交付订单数对比结果

6.5 可视化展示

7.不足与展望

---

摘要

使用马尔可夫决策过程表示现实世界的外卖送餐服务，将外卖配送问题表示成深度强化学习问腿。系统分配订单给外卖员，外卖员在指定餐厅提取订单配送至目的地，目标是在有限时间和有限外卖员的条件下，最大化总送餐收入。本文使用三种方法尝试解决这个问题：1.Q-learning_单agent 2.DDQN_单agent 3.DDQN_多agent，使用仿真实验将三种算法学习到的policy并与rule_based policy进行对比。结果发现，1.允许外卖员拒绝订单和空闲状态下移动能有效提高收益;2.三种方法中DDQN_单agent算法性能最好，RL_based的方法均优于rule_based Policy。

1.研究贡献

• 与最短化路路径VRP问题不同，本文通过减少交付时间来最大化总的期望回报；与传统的货物交付问题不同，事先不知道订单信息，订单随机生成；
• 问题中外卖员空闲状态时可以选择留在原地或者前往餐馆，有望缩短下一个订单的交货时间；允许外卖员拒绝配送分配的订单，有望系统的总收益；
• 尝试使用机器学习的方法解决外卖员配送路径问题，有利于未来扩展到其他问题的研究上；
• 针对大规模问题，简化Q-learning算法利用单agent训练能够显著加快训练速度并得到更好的结果。

2.文献综述

        现有文献中解决食品配送问题常用方法是线性规划和近似动态规划（ADP），RL算法使用的很少，本文中同时使用强化学习和深度强化的方法并对比不同方法的性能；拒绝订单和与预位性（预测下一个订单生成位置，外卖员空闲时移动到该餐厅）在文献中考虑的极少，本文同时考虑四个属性，完善模型。

3.问题描述

3.1 问题描述

N个外卖员从餐馆取餐通过 m*m的网格地图送给客户，目标是找到一个使得外卖员总收益最大的的行动policy指导外卖员的决策行为。

3.2 问题假设/前提条件

1. 订单是环境的一部分，根据最小化sum（外卖员与订单之间的距离）原则将订单分配给外卖员

2. 订单分配给外卖员之后外卖员可以拒绝配送订单

3. 被拒绝的订单返回订单列表重新分配给其他外卖员

4. 如果订单在一定时间内被所有分配的外卖员拒绝，订单离开系统不再配送。

5. 地图上每个网格成为订单起点（餐馆）和目的地（客户点）的概率不同，(1）餐馆大多集中分布在某个区域（2）订单数量多的目的地倾向于集中在某个区域（大学）

3.3 问题定义

要使用RL的方法解决外卖员配送路径问题，就需要将该问题转化为RL问题，定义RL的各要素：

• State

        针对，每个三元组记录了第i个外卖员当前位置，外卖员i配送的订单的起点（餐馆），以及订单的目的地。、

        状态空间的大小：

订单起点空间+2：订单起点位置除了属于m*m个网格点位置空间外，新增了两个状态：1）取餐/送餐的路上；2）空闲无订单状态

订单目的地空间+1:订单起点位置除了属于m*m个网格点位置空间外，新增了一个状态，外卖员处于空闲无订单配送状态无目的地。

此外，外卖订单包括五个属性：订单起点、订单目的地、订单持续时间、被拒次数、配送该订单外卖员ID

• Actions

  针对每个外卖员，动作可选

   

• Rewards <state,action>--reward

• 

  

        外卖员在接受订单之后每移动一步的reward是-1，空闲状态移动一步-0.1；每次成功提取和交付订单得到正的reward为m2；没有成功提取和交付订单（提错货、送错货）得到负的reward/penalty为-m2；原地空闲等待无reward；分配订单选择原地等待不移动得到负的reward/penalty为-m2；订单一经分配就拒绝-m/3； 在配送订单过程中拒绝该订单得到负的reward/penalty为-m2；

        除此之外，如果订单在服务时间内未被有效分配给外卖员离开系统，额外增加惩罚。现实生活中，每个客户通常都有耐心等级，如果他/她没有在一定的时间内得到服务，他/她就会离开系统。

4.解决方法

4.1 强化学习基本框架

         强化学习是agent在与环境的互动过程中为了达成一个目标而进行的学习过程。agent观察环境environment变化根据当前自己所处的state做出action每做出一个action，environment都会发生变化，agent会得到一个新的state，然后选择新的action不断执行下去。

4.2 Q-learning

Q-learning算法的详细介绍可见blog强化学习系列（二):Q learning算法简介及python实现Q learning求解TSP问题

Q-learning算法缺点：只适用于小规模问题，大规模问题Q表存在状态爆炸的灾难；

Trick：简化问题，同质化外卖员，Q-Learning只训练一个agent/外卖员的行动选择策略，应用到全部外卖员上;即Q-learning单agent。

4.3 DDQN

        为弥补Q-learning算法的缺点，用两个深度神经网络代替Q表，神经网络输入state值，输出对应动作action的Q值。

        两个网络分为在线预测网络Eval Network得到Q的预测值和目标网络得到Q的真实值。

借鉴，算法流程大概总结如下：

使用随机梯度下降算法更新网络参数，可能会带来的问题是，当梯度太大的话，网络参数变动太大，网络很不稳定；因此，本文采取了梯度裁剪策略，将梯度向量归一化到0-1之间，使得DDQN模型更加稳定。

4.4 Rule Based algorithm

用于对比评价RL算法的性能。 外卖员根据最短路径的原则移动提取和配送货物，没有分配任务时候选择原地等待，不允许拒绝订单，为了算法对比时重点分析强调有无stay、reject动作的影响。

5.仿真评估

 按照仿真流程图进行仿真实验：

        •生成初始外卖员位置和订单位置（state）

        •外卖员根据Policy选择action移动

        •更新环境变化【订单list及所有订单的服务时间】

        •计算reward

        •该订单一旦交付，派发新的订单

        •达到迭代次数后，收集数据（派送订单数、reward总和） 衡量算法性能好坏的标准

问题规模

不同问题规模（网格大小、外卖员数量、状态空间和动作空间大小）下进行实验

餐馆及订单目的地分布热力图

6.实验结果

三种方法对比：

        1.Q-learning :训练单agent的Policy，将应用到所有外卖员；

        2.DDQN:训练单agent的Policy，应用到所有外卖员；

        3.DDQN:直接训练多agent的Policy；

6.1 Q-learning单agent

        针对Q-learning单agent，随着状态空间/问题规模的增大，算法收敛速度会逐渐变慢。

 

6.2 DDQN单agent vs DDQN

单agent的reward值收敛速度更快

6.3 平均收获报酬对比结果

 1）DDQN_单agent>QL>Rule based learning

 2）DDQN_多agent在大规模问题上训练太耗时

6.4 平均交付订单数对比结果

几种方法平均交付订单数对比差别不大

6.5 可视化展示

场景一：外卖员空闲一段时间后接到订单

         图a使用DDQN允许外卖员空闲时候移动，与使用规则的对比，可以看出，空闲时候允许外卖员移动的惩罚更小，得到的奖励越高，且迭代次数更少/时间更短到达目的地。

场景二：允许外卖员拒绝订单

   

         图a的DDQN，外卖员拒绝距离自己很远的订单，等候新的更近的订单，与传统的不允许拒绝的rule相比，Reward值更大，迭代次数更少/时间更短到达目的地。

7.不足与展望

• 状态空间只考虑订单和外卖员位置信息，可以加入外卖员工作时间、订单准备时间等等属性改进模型

• 本文考虑的外卖员数量太少，每增加一个外卖员，状态空间呈指数式增长；可以对外卖员和订单的属性特征进行聚合降维，缩减状态空间