Apr, 2024

解决车辆路径问题的跨问题学习

PDF
TL;DR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。
neural heuristicsvehicle routing problem (vrp)cross-problem learningbackbone transformerfine-tuning
发现论文，激发创造
  • 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

  • 用于路由问题的多任务学习及问题间的零样本泛化

    该论文通过属性组合的方式，建立了一个统一模型，成功解决了车辆路径问题的不同组合情况，大幅提高了解决方案的效率并在物流应用中取得了显著的性能提升。

    Feb, 2024

  • 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

  • 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

  • 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

  • 利用双向协作 Transformer 迭代学习解决路由问题

    本文提出了一种新颖的双方面协作 Transformer 模型，通过采用循环位置编码法将节点和位置特征分开建模，从而避免了潜在的噪声和不兼容关联，并展示了该模型在解决旅行商问题和车辆路径问题等方面的卓越表现。

    Oct, 2021

  • 学会解决旅行商问题要重新思考泛化

    本文提出了一种神经组合优化方法，将学习算法与模型架构相结合，以实现在训练过程中看不到的更大规模的问题的推广。通过对零样本推广的原理研究，控制实验提供了第一手数据，并提供了深度学习的新方向。

    Jun, 2020

  • 超越 TSP 的神经组合优化：现有架构在图结构下表现不足

    本文研究如何将深度强化学习和图神经网络应用于无线网络中的电力和信道分配问题，研究结果表明现有结构还不能很好地识别图的结构和特征，并且对于对图产生影响的问题不太适用，但研究还是取得了一些积极进展，比如通过距离编码来增强问题的表示方法。

    Jan, 2022

  • 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

  • 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