一种可与元启发式算法相媲美的高效基于学习的有容量弧路由问题求解器
机器学习
2024-03-13 v1 人工智能
最优化与控制
摘要
最近，神经网络（NN）在组合优化方面取得了巨大进展。然而，它们在解决有容量弧路由问题（CARP）时面临挑战，该问题旨在在容量约束内找到覆盖图上所有必需边的最小成本回路。在解决 CARP 时，基于 NN 的方法往往落后于先进的元启发式算法，因为它们缺乏针对复杂 CARP 的有向弧建模和高效学习方法。在本文中，我们引入了一种基于 NN 的求解器，以显著缩小与先进元启发式算法的差距，同时展现出卓越的效率。首先，我们提出了方向感知注意力模型（DaAM），将方向性纳入嵌入过程，促进更有效的一阶段决策。其次，我们设计了一种监督强化学习方案，涉及监督预训练，为后续的强化微调建立强大的初始策略。事实证明，这对于解决比节点路由问题（NRPs）具有更高复杂性的 CARP 特别有价值。最后，提出了一种路径优化方法，以调整 DaAM 生成路径内的车场返回位置。实验表明，我们的方法超越了启发式算法，并首次实现了与最先进元启发式算法相当的决策质量，同时保持了卓越的效率。
引用
@article{arxiv.2403.07028,
title = {An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem},
author = {Runze Guo and Feng Xue and Anlong Ming and Nicu Sebe},
journal= {arXiv preprint arXiv:2403.07028},
year = {2024}
}