解决容量位置-路由问题的端到端学习方法
机器学习
2026-05-27 v2 人工智能
摘要
容量位置路由问题(CLRPs)是组合优化中的经典问题，需要同时做出位置和路由决策。在CLRPs中，复杂的约束和各种决策之间复杂的相互关系使得问题难以解决。随着深度强化学习(DRL)的出现，它被广泛应用于解决车辆路由问题及其变体，而与CLRPs相关的研究仍需要探索。在本文中，我们提出了用于解决CLRP和开放CLRP(OCLRP)的DRL with heterogeneous query (DRLHQ)。我们是首次提出用于CLRPs的端到端学习方法，遵循编码器-解码器结构。特别地，我们将CLRPs重新表述为针对各种决策的马尔可夫决策过程，一种可以适用于其他DRL方法的通用建模框架。为了更好地处理位置和路由决策之间的相互依赖，我们还引入了一种新颖的异构查询注意力机制，用于适应各种决策阶段。在使用合成数据集和基准数据集进行实验后，我们的所提出的方法在解决CLRP和OCLRP方面优于代表性传统方法和DRL方法的基线，表现出更好的解决方案质量和更好的泛化性能。
引用
@article{arxiv.2511.02525,
title = {An End-to-End Learning Approach for Solving Capacitated Location-Routing Problems},
author = {Changhao Miao and Yuntian Zhang and Tongyu Wu and Fang Deng and Chen Chen},
journal= {arXiv preprint arXiv:2511.02525},
year = {2026}
}