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
大规模神经组合优化模型的实例条件适应模型 (ICAM) 和基于强化学习的训练方案可在不同规模下解决旅行商问题 (TSP) 并实现最佳性能。
May, 2024
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
提出了一种自我改进学习(Self-Improved Learning, SIL)方法,用于提高神经组合优化(neural combinatorial optimization, NCO)的可扩展性,包括有效的模型训练和解决大规模问题实例的线性复杂度注意机制。在旅行推销员问题(Travelling Salesman Problem, TSP)和容量车辆路径问题(Capacitated Vehicle Routing Problem, CVRP)上进行的全面实验证明了该方法的出色可扩展性。
Mar, 2024
我们提出了一种新颖的具有强大泛化能力的轻量级编码器和重型解码器模型(LEHD model),它可以解决大规模的组合优化问题,包括旅行推销员问题(TSP)和车辆路径问题(CVRP),并且能够推广到实际世界的相关问题。
Oct, 2023
本论文研究利用一种基于心理学的课程学习方法来提高神经网络在组合优化问题中的性能,以达到与传统的确定性求解器相当甚至更好的精度和效率。
Nov, 2020
本文采用元学习技术来在多种任务中训练一个模型,以优化适应新任务的能力,从而提高两个最先进的模型的泛化能力,实验表明该方法在两个 CO 问题上都有显著改善。
Jun, 2022
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
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
本研究通过提出的 CoCoOp 方法,将输入联系令牌向量与图像条件结合起来和动态提示,以解决 Context Optimization(CoOp)中发现的上下文过度适应基类,取得了更好的泛化性和域泛化性能,实验结果可在提供的网址查看。
Mar, 2022