基于 AI 初始化的遗传算法加速车辆路径问题
机器学习
2025-09-23 v2 神经与进化计算
摘要
车辆路径问题（VRP）是旅行商问题的一个延伸，是组合优化中的一个基本 NP 难问题。实时大规模求解 VRP 已成为诸多应用的关键需求，涵盖日益增长的最后一公里配送市场以及新兴的交互式物流规划等场景。在许多应用中，需要反复求解来自相同分布的 VRP 实例，但当前最先进的求解器对每个实例独立求解，未能利用以前的示例。我们引入了一个优化框架，其中训练得到的强化学习智能体在先前实例上快速生成初始解，然后由遗传算法进一步优化。该框架（称为 Evolutionary Algorithm with Reinforcement Learning Initialization，EARLI）在各种时间预算下均一致优于当前最先进的求解器。例如，EARLI 在一秒内处理 500 个位置的车辆路径问题，速度是当前求解器的 10 倍，实现了相同解质量下的实时和交互式规模路径规划。EARLI 可以对新数据进行泛化，我们在一个之前未见过的城市的真实电商配送数据上进行了验证。通过将强化学习和遗传算法相结合，我们的混合框架为更近距离地将 AI 社区与优化社区的跨学科合作迈出了一步，实现了多样化领域中的实时优化。
引用
@article{arxiv.2504.06126,
title = {Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms},
author = {Ido Greenberg and Piotr Sielski and Hugo Linsenmaier and Rajesh Gandham and Shie Mannor and Alex Fender and Gal Chechik and Eli Meirom},
journal= {arXiv preprint arXiv:2504.06126},
year = {2025}
}