Mar, 2023

车辆路径问题的启发式方法：综述与最新进展

PDF
TL;DR本文系统调查了现有的车辆路径启发式方法，着重于近年来的研究；首先给出了车辆路由启发式算法的分类，随后回顾了它们的方法、最新发展和应用；此外，提出了最先进方法的一般框架，并深入探讨了其成功的内部机制；最后，讨论了具有显着作用和未来方向的三个新兴研究课题。
vehicle routingheuristicsoptimizationmethodologiesemerging research
发现论文，激发创造
  • 机器学习应用于车辆路径问题的计算测试指南

    本文探讨基于数据驱动分析的机器学习算法在车辆路径问题 (VRP) 上的应用，并针对不同算法评估方式可能产生的挑战提出了解决方案，希望能促进运营研究和机器学习领域的合作。

    Sep, 2021

  • 面向偏好的末端物流配送规划

    本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

    Mar, 2023

  • 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

  • 解决路径规划问题学习改进启发式方法

    本文提出一种基于 self-attention 的深度强化学习框架，以学习解决旅行商问题（TSP）和有容量车辆路径问题（CVRP）的改进启发式算法，实验表明该方法性能优于现有的深度学习方法，并且具有良好的泛化能力。

    Dec, 2019

  • SmartPathfinder：使用强化学习推动无人机车辆路径问题启发式解决方案的极限

    研究论文研究了无人机车辆路径问题，提出了一种综合考虑启发式方法和强化学习框架的解决方案，以提高解决方案的质量和计算速度。

    Apr, 2024

  • 用强化学习解决车辆路径规划问题

    本文提出了一个端到端的框架，使用强化学习来解决车辆路径问题 (VRP)，我们训练一个单一的模型，仅通过观察奖励信号和遵守可行性规则，就可以找到给定分布采样的问题实例的近最优解。通过将策略梯度算法应用于优化其参数，我们的模型在实时中以连续操作序列的形式生成解决方案，无需为每个新问题实例重新训练，我们的方法在解决负载容量 VRP 的中等规模实例时，在解决质量上优于经典的启发式算法和 Google 的 OR-Tools，同时具有可比较的计算时间，在本文中还探讨了分裂交付对解决质量的影响。我们的提出的框架可以应用于其他 VRP 变体，例如随机 VRP，并具有应用于组合优化问题的潜力。

    Feb, 2018

  • 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

  • 解决随机车辆路径问题的强化学习

    本研究旨在解决在不确定条件下优化车辆路线的具有挑战性任务的随机车辆路径问题（SVRP）中，利用强化学习（RL）和机器学习（ML）技术的利用不足的问题。我们提出了一个全面解决 SVRP 中预测性关键源的全新端到端框架，采用简单而有效的架构和定制的训练方法来利用 RL agent。通过比较分析，我们的模型相较于一个广泛采用的最先进元启发式算法表现出了更好的性能，实现了显著的 3.43% 的行程成本降低。此外，该模型在不同的 SVRP 设置中表现出了鲁棒性，突出了它的适应能力和学习优化路径策略在不同环境中。我们框架的公开实现作为未来研究努力的宝贵资源，旨在推进基于 RL 的 SVRP 解决方案。

    Nov, 2023

  • 使用 Rollouts 和 MAX-SAT 解决带时间窗口的有容量车辆路径问题

    本文提出一种混合方法，将强化学习、策略推进和可满足性求解器相结合，以实现计算时间和解决方案质量之间的可调节权衡，该方法可以解决任意规模的问题，且无需额外训练，在解决车辆路由问题中的效果优于现有的基于学习的方法和元启发式算法，更具有泛化性。

    Jun, 2022

  • 运用深度强化学习解决车辆路径问题

    本文介绍了强化学习在处理 NP-Hard 组合优化问题，特别是车辆路径问题方面的应用。作者将问题建模成一个马尔科夫决策过程，并采用了 Actor-Critic 类的 PPO 方法和基于卷积神经网络的神经架构。尽管与最先进的 OR-TOOLS 解算器相比略逊一筹，但该算法具有较好的泛化能力和较短的解答时间。未来的研究方向是提高算法的性能表现。

    Jul, 2022