Feb, 2024

学习交付：蒙特利尔容量车辆路径问题的基础模型

PDF
TL;DR提出了一种基于深度学习模型的单一解决方案，用于求解蒙特利尔容量约束车辆路径问题（MCVRP），该模型利用自然语言处理技术以及大型语言模型框架的 Transformer 架构来训练和生成更好的 MCVRP 解决方案。
foundation modelmontreal capacitated vehicle routing problemdeep learningnatural language processinglarge language model
发现论文，激发创造
  • RouteFinder：面向车辆路径问题的基础模型

    该研究介绍了一种用于解决车辆路径问题的 RouteFinder 框架，通过并行化环境、高效的采样方法和全球特征嵌入等技术，实现了对多种 VRP 变体的统一建模和解决，取得了竞争性的实验结果。

    Jun, 2024

  • 使用深度学习注意力模型解决带时间窗口的车辆路径问题和提货配送问题

    使用注意力编码解码结构和一种新颖的插入启发式算法，我们以构造迭代深度学习算法解决带时间窗口的车辆路径问题，并比最佳已知学习解决方案更好地解决了该问题。

    Dec, 2022

  • 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

  • 利用强化学习实现碳减排潜力的三维装载有容量的车辆路径问题

    使用强化学习模型解决三维装备车辆路径问题，使得物流优化向大规模应用迈出有希望的第一步。

    Jul, 2023

  • 强化学习求解 NP-hard 问题：以 CVRP 为例

    本文研究使用强化学习解决一种典型的组合优化问题：车辆路径问题，将其形式化为强化学习框架，并在基准实例上比较了两种最有前途的强化学习方法与传统求解技术。研究发现，与传统求解器相比，强化学习算法具有许多优点，尤其是在解决更复杂的组合优化问题以及加速问题求解方面。

    Jan, 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

  • 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

  • 关于容量车辆路径问题和约束中心基聚类之间的关联

    通过将 Capacitated Vehicle Routing Problem（CVRP）转化为 Constrained Centroid-Based Clustering（CCBC），本文提出了一个基于 CCBC 的近似解决方法，该方法利用常见的聚类算法（如 K-means）将一个指数复杂度的问题转化为多项式复杂度的问题，并在实验中展示了该方法在解决车辆路径问题（VRP）方面的优越性。

    Mar, 2024

  • 大规模车辆路径规划的委派学习

    本文使用学习增强的局部搜索框架来解决大规模车辆路径问题（VRP），其中使用回归来训练 Transformer 模型来选择恰当的子问题，并且在实验中表现优异。

    Jul, 2021