本文研究了ATSP中的相变现象,发现随着城市间距离精度的提高,问题的最优解成本和计算成本都会出现急剧的变化。这些结果有助于更好地生成ATSP问题实例。
Jun, 2011
本文设计一种神经网络方法,利用图网络方法将旅行商、城市和货站作为三个具有不同基数的集合,通过搜索方法和特定的损失函数来输出最优解,实验结果表明该方法优于现有领域最先进的元启发式算法。
Mar, 2018
本文研究基于深度学习和强化学习的旅行商问题的新模型和架构,强调机器学习在解决组合优化问题方面的限制,并提出了一种新的度量标准ROD以回答两个基本问题。
Sep, 2019
提出了一种基于图神经网络和引导局部搜索的 TSP(旅行商问题)混合数据驱动方法,该方法能够在不损失解决方案质量的同时,快速求解大规模 TSP 实例,经实验证明,我们将 100 个节点问题集的平均最优性差从 1.534% 减少到 0.705%,将 20 个节点实例推广到 100 个节点问题集时,我们将最优性差从 18.845% 减少到 2.622%,提高了 2 倍和 7 倍。
Oct, 2021
本文研究了旅行商问题的扩展——多旅行商问题(mTSP),并提出了一个双阶段的迭代式启发式算法ITSHA来解决带有minsum和minmax目标的mTSP问题。实验结果表明,该算法在多目标下均优于现有启发式算法。
Jan, 2022
本研究提出了 Variable Strategy Reinforced LKH (VSR-LKH) 与 VSR-LKH-3 算法,分别引入了三种强化学习方法与 LKH 算法相结合,以解决 TSP 问题和 TSP 变体(包括 TSPTW 和 CTSP),经236个 TSP 基准测试表明,这些算法具有显著的性能优势。
Jul, 2022
本研究提出了一种基于模仿学习框架的策略来解决旅行商问题,并展示了所训练的图神经网络在大规模的TSP实例上的较快求解能力。
Oct, 2022
本研究针对组合优化问题,提出了在深度学习模型训练前进行预训练以利用相关算法对于解决TSP问题具有提升作用的算法推理方法,并证明该方法能够优于传统深度学习模型。
May, 2023
旅行推销员问题(TSP)是文献中研究充分的NP困难问题之一。该论文研究了涵盖从2,000到85,900个城市的问题,并发现人工组合多个求解器的算法能够在解决10,000个城市以上的问题时超越现有的最先进求解器的表现。
Aug, 2023
该论文介绍了一种新颖的基于数据驱动的路径规划器TSPDiffuser,用于处理充满障碍物的旅行推销员路径规划问题(TSPPPs)。通过在大量TSPPP实例及其解决方案上训练扩散模型,TSPDiffuser可以生成未见问题实例的可行路径,进而构建包含少量节点和边的路网,高效准确地估计目的地之间的旅行代价,从而有效解决TSPPPs中的主要计算挑战。与现有方法相比,通过在各种合成和实际室内/室外环境中进行实验评估,TSPDiffuser在解决质量和计算时间需求之间取得了良好的平衡。
Jun, 2024