数据驱动的 VRP：一种用于学习 VRP 隐含偏好的神经网络模型
机器学习
2021-08-31 v2 人工智能
摘要
传统的带容量约束的车辆路径问题 (CVRP) 在车辆容量约束下最小化路线的总距离。但更常见的情况是，目标涉及多个准则，不仅包括路线的总距离，还包括出行成本、出行时间和燃料消耗等其他因素。此外，在现实中，路线规划者和驾驶员的脑海中根植着许多隐含偏好。例如，驾驶员对某些街区很熟悉，了解道路状况，并且通常会考虑休息和午餐的最佳地点。在进行运营路线决策时，这些知识难以形式化和权衡。这促使我们从过去的解决方案中学习隐含偏好，并将这些学习到的偏好纳入优化过程。这些偏好以弧概率的形式表示，即路线越受偏好，其联合概率就越高。这项工作的新颖之处在于使用神经网络模型来估计弧概率，这允许引入额外特征并进行自动参数估计。首先需要确定合适的特征、神经架构和损失函数，同时考虑到通常可用的数据很少。我们研究了与先前的加权马尔可夫计数方法的差异，并探讨了神经网络在此设定中的适用性。
引用
@article{arxiv.2108.04578,
title = {Data Driven VRP: A Neural Network Model to Learn Hidden Preferences for VRP},
author = {Jayanta Mandi and Rocsildes Canoy and Víctor Bucarey and Tias Guns},
journal= {arXiv preprint arXiv:2108.04578},
year = {2021}
}