On-Demand Transport (ODT) systems have attracted increasing attention in recent years. Traditional centralized dispatching can achieve optimal solutions, but NP-Hard complexity makes it unsuitable for online and dynamic problems. Centralized and decentralized heuristics can achieve fast, feasible solution at run-time with no guarantee on the quality. Starting from a feasible not optimal solution, we present in this paper a new solution model (ORNInA) consisting of two parallel coordination processes. The first one is a decentralized insertion-heuristic based algorithm to build vehicle schedules in order to solve a particular case of the dynamic Dial-A-Ride-Problem (DARP) as an ODT system, in which vehicles communicate via Vehicle-to-vehicle communication (V2V) and make decentralized decisions. The second coordination scheme is a continuous optimization process namely Pull-demand protocol, based on combinatorial auctions, in order to improve the quality of the global solution achieved by decentralized decision at run-time by exchanging resources between vehicles (k-opt). In its simplest implementation, k is set to 1 so that vehicles can exchange only one resource at a time. We evaluate and analyze the promising results of our contributed techniques on synthetic data for taxis operating in Saint-Étienne city, against a classical decentralized greedy approach and a centralized one that uses a classical mixed-integer linear program (MILP) solver.

中文翻译：

---

ORNInA：ODT系统中基于拍卖的分散式多代理协调

近年来，按需运输（ODT）系统引起了越来越多的关注。传统的集中式调度可以实现最佳解决方案，但是NP-Hard的复杂性使其不适用于在线和动态问题。集中式和分散式启发式算法可以在运行时实现快速，可行的解决方案，而又不能保证质量。从可行的非最佳解决方案开始，我们在本文中提出了一个新的解决方案模型（ORNInA），该模型包含两个并行的协调过程。第一个是基于分散插入启发式算法的算法，用于建立车辆调度表，以解决作为ODT系统的动态Dial-A-Ride-Problem（DARP）的特殊情况，其中车辆通过车辆到车辆进行通信沟通（V2V）并做出分散决策。第二个协调方案是基于组合拍卖的连续优化过程，即拉动需求协议，目的是通过在车辆之间交换资源（k-opt）来提高运行时的分散决策所实现的全局解决方案的质量。在最简单的实现方式中，k设置为1，以便车辆一次只能交换一种资源。我们使用经典的分散式贪婪方法和使用经典的混合整数线性程序（MILP）求解器的集中式方法，对在圣埃蒂安市运营的出租车的合成数据进行的贡献技术评估和分析所取得的有希望的结果。为了通过在车辆之间交换资源（k-opt）来提高运行时分散决策所实现的全局解决方案的质量。在最简单的实现方式中，k设置为1，以便车辆一次只能交换一种资源。我们使用经典的分散式贪婪方法和使用经典的混合整数线性程序（MILP）求解器的集中式方法，对在圣埃蒂安市运营的出租车的合成数据的贡献技术进行评估和分析，结果令人鼓舞。为了通过在车辆之间交换资源（k-opt）来提高运行时分散决策所实现的全局解决方案的质量。在最简单的实现方式中，k设置为1，以便车辆一次只能交换一种资源。我们使用经典的分散式贪婪方法和使用经典的混合整数线性程序（MILP）求解器的集中式方法，对在圣埃蒂安市运营的出租车的合成数据的贡献技术进行评估和分析，结果令人鼓舞。