k-Traveling Repairmen Problem，多个修理工拜访同一份工作会降低服务时间
k-Traveling Repairmen Problem, with multiple repairmen visiting the same job lowering service time
对于我的论文，我想创建一个优化 k-Traveling Repairmen Problem 的算法，扩展是将多个修理工派往同一地点以缩短服务时间。我找不到关于这个主题的任何文献，我想知道以前是否有人对此进行过研究？
我查看了 VRP、TSP、TRP、OP 的变体，但还没有遇到像我的问题一样的问题。
一些从哪里开始的想法：
免责声明：我不是这个领域的专家，我不太了解这个特定问题，所以我只会根据你的问题来回答。然而，我喜欢图表并且喜欢偶尔想一想它们。话虽如此，我们开始吧。
首先，有两件事需要澄清，因为它们会影响您处理问题的方式：
- 派两个机器人去完成一个任务是把完成时间减半，还是有其他的进度依赖？
- 您可以发送多少个机器人来执行任务？
由于我还不知道答案，所以我现在将列出一些想法，如果这是我的论文，我可能会尝试四处探索：
- 我会尝试寻找并可能证明派遣更多机器人执行一项任务是否有利。如果是，在什么配置下。如果不是，为什么会这样？
例如，在最简单的情况下，两个机器人可以修复 1 个单位的损坏，两个任务的成本为 2，行进距离为零，首先完成第一个任务肯定是有利的，然后是第二个。总修复时间将相同，但总延迟会更低（3 对 4）。
- 我会尝试探索 网络流 和其他一般图形算法。可能会有一些有趣的见解。但是，由于您选择的问题是 NP-hard，因此可能没有直接的解决方案。 NP 问题就是这样的派对杀手。
- 泛化前我会先看原题。也许您的案例可以通过巧妙的重新表述来简化为更简单的版本？
现在想想——每项任务都有成本。 如果我们假设此成本为整数并且机器人的修复能力为 1，则将每个任务替换为各自距离为零的一组任务很可能足以减少未普遍化且经过充分研究的问题。 论文解决了。咳嗽.
- 话虽这么说，探索原始问题的启发式绝对是一个起点。尝试几个不同的来比较它们并学习推理您的问题很可能会有用。
- 启发式不够性感吗？使用神经网络来近似解决方案可能会很有趣。太集中了吗？奖励修理工完成任务的多代理系统可能是无政府主义者的一种方式。
再一次，干杯，祝你好运。
对于我的论文，我想创建一个优化 k-Traveling Repairmen Problem 的算法，扩展是将多个修理工派往同一地点以缩短服务时间。我找不到关于这个主题的任何文献，我想知道以前是否有人对此进行过研究？
我查看了 VRP、TSP、TRP、OP 的变体，但还没有遇到像我的问题一样的问题。
一些从哪里开始的想法：
免责声明：我不是这个领域的专家，我不太了解这个特定问题，所以我只会根据你的问题来回答。然而，我喜欢图表并且喜欢偶尔想一想它们。话虽如此，我们开始吧。
首先，有两件事需要澄清，因为它们会影响您处理问题的方式：
- 派两个机器人去完成一个任务是把完成时间减半，还是有其他的进度依赖？
- 您可以发送多少个机器人来执行任务？
由于我还不知道答案，所以我现在将列出一些想法，如果这是我的论文，我可能会尝试四处探索：
- 我会尝试寻找并可能证明派遣更多机器人执行一项任务是否有利。如果是，在什么配置下。如果不是，为什么会这样？
例如，在最简单的情况下，两个机器人可以修复 1 个单位的损坏，两个任务的成本为 2，行进距离为零，首先完成第一个任务肯定是有利的，然后是第二个。总修复时间将相同，但总延迟会更低（3 对 4）。 - 我会尝试探索 网络流 和其他一般图形算法。可能会有一些有趣的见解。但是，由于您选择的问题是 NP-hard，因此可能没有直接的解决方案。 NP 问题就是这样的派对杀手。
- 泛化前我会先看原题。也许您的案例可以通过巧妙的重新表述来简化为更简单的版本？
现在想想——每项任务都有成本。 如果我们假设此成本为整数并且机器人的修复能力为 1，则将每个任务替换为各自距离为零的一组任务很可能足以减少未普遍化且经过充分研究的问题。论文解决了。咳嗽. - 话虽这么说，探索原始问题的启发式绝对是一个起点。尝试几个不同的来比较它们并学习推理您的问题很可能会有用。
- 启发式不够性感吗？使用神经网络来近似解决方案可能会很有趣。太集中了吗？奖励修理工完成任务的多代理系统可能是无政府主义者的一种方式。
再一次，干杯，祝你好运。