Oct, 2023

路由竞技场：一个神经路由求解器的基准测试套件

PDF
TL;DR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。
发现论文，激发创造
  • 一种高效的基于学习的求解器，可与元启发式算法相媲美，用于容量约束弧路线问题

    本文介绍了一种基于神经网络的求解程序，它能够显著缩小与先进元启发式方法之间的差距，并展现出卓越的效率。该求解程序利用方向感知的注意力模型（DaAM）和监督强化学习方案，同时提出了路径优化方法，成功解决了容量限制的弧路由问题，在保持出色效率的同时获得了与最先进的元启发式方法相媲美的决策质量。

    Mar, 2024

  • 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

  • XRoute Environment：一种新型强化学习路由环境

    本研究提出了 XRoute 环境，使用增强学习来提高现代设计自动化流程中关键的 Routing 阶段的质量和效率，在全芯片测试基准中报告了两种广泛使用的增强学习算法（PPO 和 DQN）和一种基于搜索的算法（TritonRoute）的基线结果。

    May, 2023

  • 注意力学习解决路径规划问题！

    我们提出了一种基于注意力层的模型来解决组合优化问题，并使用基于确定性贪心策略的简单基线进行训练，在解决旅行商问题（TSP）和车辆路径问题（VRP）方面取得了很好的结果。

    Mar, 2018

  • Arena-Web -- 自主导航方法的基于 Web 的开发和基准测试平台

    本文介绍了 Arena-Web，一个基于 web 的开发和评估套件，用于开发、训练和测试各种机器人平台和场景的 DRL 导航规划器。该界面旨在直观而富有吸引力，为非专业人员提供易于使用的技术，通过 Arena-Web，训练和开发深度强化学习代理人变得简单易行，无需编写一行代码。

    Feb, 2023

  • 太大，所以失败吗？- 使神经构建方法能够解决大规模路由问题

    通过系统的扩大规模研究，我们展示了即使是最先进的神经构建方法也被简单的启发式算法超越，而我们提出的神经毁坏重构方法在多个实验中表现优于其他改进构建方法。

    Sep, 2023

  • 多智能体路由价值迭代网络

    本文提出了一种多智能体坐标线路图的图神经网络模型，利用学习价值迭代在稀疏相互连接图中执行坐标线路图，并通过通信模块使智能体在线协调并更有效地适应变化，可以应用于自主车辆中实现实时映射和车队管理等。

    Jul, 2020

  • 关于车辆路径规划分支定界统计学习的研究

    利用机器学习的分支限界算法，通过比较三个神经网络 —— 图卷积神经网络（GCNN）、GraphSAGE 和图注意力网络（GAT）的结果，在解决有容量限制的车辆路径问题方面展现了潜力。通过训练这些神经网络，以模拟计算代价高昂的 Strong Branching 策略的决策过程。经过严格的实验证明，这种方法可以在较短的计算时间内达到或超过分支限界算法与 Strong Branching 策略的性能，并且所对应的研究结果和方法的源代码在以下网址中可以轻松获得并进行参考。

    Oct, 2023

  • 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

  • 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