基于超图的破坏与修复路由
机器学习
2025-02-25 v1 人工智能
神经与进化计算
摘要
近期神经组合优化（NCO）的进展在解决旅行商问题（TSP）和容量车辆路径问题（CVRP）等路由问题方面显示出前景。该领域的研究探索了两类主要方法：迭代式与非迭代式。虽然非迭代方法难以直接生成接近最优的解，但迭代方法通过学习局部搜索步骤来简化任务。然而，现有迭代方法常受限于受限的邻域搜索，导致次优结果。为此，我们提出了一种新方法，通过学习破坏-修复策略将搜索范围扩展到更大的邻域。具体而言，我们提出了基于超图的破坏-修复框架（Destroy-and-Repair based on Hyper-Graphs, DRHG）。该框架将连续完整边简化为超边，使模型能够更关注被破坏的部分，并降低对所有节点编码的复杂度。实验表明，DRHG在最多10,000个节点的TSP问题上实现了最先进的性能，并在真实世界的TSPLib和CVRPLib问题上表现出强大的泛化能力。
引用
@article{arxiv.2502.16170,
title = {Destroy and Repair Using Hyper Graphs for Routing},
author = {Ke Li and Fei Liu and Zhengkun Wang and Qingfu Zhang},
journal= {arXiv preprint arXiv:2502.16170},
year = {2025}
}
备注
Accepted at AAAI2025