Jan, 2024

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

PDF
TL;DR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。
neural solversattention mechanismdispersion of attention scoresdistance-aware attention reshaping methodlarge-scale vehicle routing problems
发现论文，激发创造
  • 路由问题中填补泛化漏洞的注意力机制

    本文旨在通过改善现有的模型，提高机器学习在车辆路径规划中的泛化能力，首先通过改进注意力机制模型及其损失函数，接着采用混合实例训练方法和推理级数据增强技术解决了问题固有差异和模型架构弱点的问题，最终达到了提高性能的效果。

    Jul, 2022

  • 动态关注模型的深度强化学习算法在车辆路径问题中的应用

    利用动态编码器 - 解码器结构的动态关注模型来更好地解决车辆路径问题，并显示出良好的泛化性能。

    Feb, 2020

  • GASE: 图注意力取样与边融合用于解决车辆路径问题

    我们提出了一种自适应图注意力采样与边融合框架（GASE），通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入，进一步融合采样网络中的消息传递和节点嵌入，在学习导向的 VRP 任务上表现出色，并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。

    May, 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

  • 在多个分辨率下解决路由问题的保持对称性的图注意力网络

    通过多分辨率和对称性保持，我们提出了一种新的数据驱动方法来解决旅行推销员问题和车辆路径问题。实验证明，我们的模型超过了现有的基准线，并证明了对称性保持和多分辨率对于解决组合问题的重要性。

    Oct, 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

  • 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

  • 通过可传递的本地策略集成实现面向可广泛应用的神经求解器车辆路径问题

    为了提高神经车辆路径问题（VRP）求解器在实际环境中的可行性，我们设计了一个辅助策略，通过学习本地可转移的拓扑特征来改善神经 VRP 求解器的表现，将其与典型的建构策略相结合，形成一个集成策略。经过联合训练，这个集成策略使得各个策略相互协作和互补，从而提高了泛化能力。实验证明，与最先进的构造方法相比，这个集成策略在两个著名的基准测试中（TSPLIB 和 CVRPLIB）表现出更好的泛化性能，并且在数千个节点的真实世界问题上也能工作得很好。

    Aug, 2023

  • 基于注意力机制的神经重排方法用于旅途中的下一个城市推荐

    提出一种两阶段的方法来解决旅游预订系统中下一个目的地城市推荐问题，采用启发式方法进行候选选择和基于注意力神经网络模型的候选人重新排序，使用该方法在 Booking.com 挑战赛上获得第 5 名，使用了学习排序方法和自然语言处理中的 transformer 架构

    Mar, 2021

  • 通过联合关注学习解决带时间窗的车辆路径问题

    本文提出一种基于注意力机制、可同时开展多个路径，并能在路径和客户之间进行艰难的权衡的政策模型 ——JAMPR，通过对三个不同工具路由问题的全面实验，表明该模型对不同问题规模均有效，并且优于现有的基于构造算法方法，对于其中两个问题类型，甚至优于相应比较方法。

    Jun, 2020