基于不可行路径消除的三维装载约束车辆路径问题分支-割算法
机器学习
2024-04-17 v2 人工智能
计算与语言
摘要
本文提出了一种基于不可行路径消除的分支-割算法,用于解决三维装载约束车辆路径问题(3L-CVRP)及其不同变体。我们证明,若在装载子问题中启用支撑约束,先前不可行的路径可通过添加新客户节点而变为可行,称之为增量可行性质。因此,不同变体下的不可行路径定义不同,我们引入若干针对变体的提升步骤以强化不可行路径不等式。装载子问题采用灵活的约束规划模型精确求解,以确定路径的可行性或不可行性。实现了基于极点点的装箱启发式方法,以减少对精确装载算法的频繁调用。此外,我们集成初始解方案,并定期基于集合划分的启发式方法合并记忆化可行路径,以生成新的上界。综合的计算研究使用众所周知的基准实例表明,算法增强显著提升了性能。因此,我们首次证明了许多现有最佳启发式解的最优性,并为大量实例引入新的最优解和最佳解。
引用
@article{arxiv.2402.14866,
title = {APTQ: Attention-aware Post-Training Mixed-Precision Quantization for Large Language Models},
author = {Ziyi Guan and Hantao Huang and Yupeng Su and Hong Huang and Ngai Wong and Hao Yu},
journal= {arXiv preprint arXiv:2402.14866},
year = {2024}
}
备注
6 pages, 2 figures, published to DAC 2024: 61st IEEE/ACM Design Automation Conference. (DAC'24)