基于深度强化学习求解异构能力约束车辆路径问题
机器学习
2022-03-08 v2 最优化与控制
摘要
现有基于深度强化学习（DRL）的求解能力约束车辆路径问题（CVRP）的方法本质上处理的是同质车队，即假设车队是单一车辆的重复。因此，它们构建解的关键在于选择下一个要访问的节点（客户），而不包括车辆的选择。然而，现实场景中的车辆可能因具有不同的影响容量（或行驶速度）的特征而呈现异构性，这使得现有 DRL 方法效果下降。本文研究异构 CVRP（HCVRP），其中车辆主要由不同容量来表征。我们考虑 HCVRP 的 min-max 和 min-sum 两类目标，旨在最小化车队中车辆的最长或总行驶时间。为求解这些问题，我们提出一种基于注意力机制的 DRL 方法，其包含一个考虑异构车队约束的车辆选择解码器和一个考虑路径构建的节点选择解码器，该方法通过在每一步自动为该车辆选择车辆和节点来学习构建解。基于随机生成实例的实验结果表明，在对不同问题规模具有良好泛化性的同时，我们的方法优于最先进的 DRL 方法和大多数传统启发式方法，并且与最先进的启发式方法（即 SISR）相比也具有竞争力。此外，扩展实验的结果表明，我们的方法也能够以令人满意的性能求解 CVRPLib 实例。
引用
@article{arxiv.2110.02629,
title = {Deep Reinforcement Learning for Solving the Heterogeneous Capacitated Vehicle Routing Problem},
author = {Jingwen Li and Yining Ma and Ruize Gao and Zhiguang Cao and Andrew Lim and Wen Song and Jie Zhang},
journal= {arXiv preprint arXiv:2110.02629},
year = {2022}
}
备注
This paper has been accepted at IEEE Transactions on Cybernetics