深度学习加速的多起点大邻域搜索用于实时货运捆绑
人工智能
2025-12-15 v1
摘要
在线货运交换系统（OFEX）在现代货运物流中发挥关键作用，通过促进托运人与承运人之间的实时匹配。然而，高效的运输任务组合捆绑仍然是一个瓶颈。我们将 OFEX 组合捆绑问题建模为多商品一对一取送货选择性旅行商问题（m1-PDSTSP），该问题在容量、优先级和路线长度约束下优化以收入为导向的货运捆绑。关键挑战是在亚秒级延迟下将组合捆绑选择与取送货路由相结合。我们提出了一种学习加速的混合搜索流水线，将基于 Transformer 神经网络的构造策略与创新的多起点大邻域搜索（MSLNS）元启发式算法配对，采用滚动时域方案——平台反复将当前市场冻结为静态快照并在短时间预算下求解。该配对利用了学习型构造器的低延迟、高质量推理优势，以及改进搜索的鲁棒性；多起点设计和合理的种子帮助 LNS 更高效地探索解空间。在各基准测试中，我们的方法在解质量上超越了最先进的神经组合优化和元启发式基线，在可比时间内实现了相对于最优精确基线方法不到 2% 的最优性间隙。据我们所知，这是首次证明基于深度神经网络的构造器能够可靠地为（多起点）改进启发式算法提供高质量种子，其适用性超越了 m1-PDSTSP，涵盖了一类广泛的选择性旅行商问题和取送货问题。
引用
@article{arxiv.2512.11187,
title = {Deep Learning--Accelerated Multi-Start Large Neighborhood Search for Real-time Freight Bundling},
author = {Haohui Zhang and Wouter van Heeswijk and Xinyu Hu and Neil Yorke-Smith and Martijn Mes},
journal= {arXiv preprint arXiv:2512.11187},
year = {2025}
}