Apr, 2022

用于提升和配送问题的高效神经邻域搜索

HTML
PDF
TL;DR我们提出了一种高效的神经邻域搜索（N2S）方法，用于解决提取和交付问题（PDPs），并针对路线解决方案设计了强大的合成注意力，以便综合各种类型的特征。此外，我们利用了两个自定义的解码器自动学习执行去除和重新插入拾取/交货节点对以解决优先顺序约束，并利用多样性增强方案进一步改善性能，N2S可产生针对现有神经方法的最先进的结果。
发现论文，激发创造
  • 电容车辆路径问题的神经大邻域搜索

    本文提出了一种基于深度神经网络和注意力机制的学习启发式算法的大邻域搜索框架，用于解决车辆路径问题，该方法在性能方面优于现有的机器学习方法，也接近于现有优化方法的性能。

    Nov, 2019

  • 利用深度强化学习解决取送货问题的异构关注机制

    利用新颖的神经网络与异构关注机制解决了深度强化学习中无法应对的拣货和送货问题，实验结果证明了其在不同分布和问题规模下优于最先进的启发式策略和深度学习模型。

    Oct, 2021

  • 基于神经构造启发式算法的大邻域搜索

    本文提出了一种基于神经网络学习的建造启发式方法的大邻域搜索 (LNS) 方法，用于解决具有时间窗口的车辆路径问题 (VRPTW)。方法采用图形神经网络来编码问题，并通过强化学习在不需要监督标签的情况下训练构造任务。神经修复运算符与局部搜索例程、启发式销毁运算符和选择过程相结合，应用于小型人口来到达一个复杂的解决方案。关键思想是使用学习模型重新构造部分破坏的解决方案，并通过破坏启发式 (或随机策略本身) 引入随机性，以有效地探索大邻域。

    May, 2022

  • 面向全方位可推广的神经网络方法解决车辆路径问题

    本文提出了一种元学习框架，通过元学习可以有效地训练出初始化的模型，并具有快速适应新任务的能力，在旅行商问题和车辆路径问题的综合实验中，证明了方法的有效性。

    May, 2023

  • 路由竞技场: 一个神经路由求解器的基准测试套件

    神经组合优化是一项近年来研究热点，然而现有评估方法存在缺陷，对于旧有的运筹学方法也存在忽视。为改进这些问题，本研究提出了一个路由问题基准套件——Routing Arena。该评估方法考虑不同应用的解决方案质量和任意性能，并引入了新的评估度量标准——加权相对平均性能（WRAP），既量化了神经路由求解器的运行效率，又突显了现有运筹学方法的优势和神经方法的潜力。

    Oct, 2023

  • 距离感知注意力重塑：为大规模车辆路径问题增强神经求解器的泛化能力

    通过距离感知的注意力重整方法，本文提出了一种助力神经求解器解决大规模车辆路径问题的方法，并且实验结果显示该方法在大规模数据集上明显优于现有的神经求解器。

    Jan, 2024

  • 解决车辆路径问题的跨问题学习

    通过跨问题学习和细调不同变种目标问题的Transformer模型，本论文提出了一种用于改善车辆路线问题的神经启发式训练方法，展示了与从头开始训练相比较，全细调和适配器细调技术能够取得更好性能和参数效率的优势，并证明了该方法在交叉分布应用和通用性方面的有利影响。

    Apr, 2024

  • MVMoE：多任务车辆路由求解器与专家混合

    研究人员提出了一个多任务车辆路径问题求解器，利用混合专家和分层门控机制来解决车辆路径问题，并取得了显著的泛化性能。

    May, 2024

  • 神经组合优化算法用于解决车辆路径问题：综述与展望

    基于对相关出版物和预印本的全面审查，我们将所有神经组合优化求解器分为四个不同的类别，并提出了克服当前最先进求解器不足之处的有希望和可行的方向，并对来自强化、监督和无监督学习范例的代表性神经组合优化求解器在小规模和大规模车辆路径问题上的性能进行了比较。

    Jun, 2024

  • 通过模型架构提升神经车辆路径问题求解器的泛化能力

    提出了一种新的模型架构，包括熵增缩放因子（ESF）和分布特定解码器（DS），用于增强神经模型在解决不同规模和分布的车辆路径问题方面的泛化能力，并证明了它们的有效性和适用性。

    Jun, 2024