DPN：面向最小最大车辆路径问题神经求解器的解耦划分与导航
机器学习
2024-06-07 v2 人工智能
摘要
最小最大车辆路径问题（min-max VRP）通过分配多条路线遍历所有给定客户，旨在最小化最长路线的长度。最近，基于强化学习（RL）的序列规划方法在求解效率和最优性方面展现出优势。然而，这些方法未能利用问题特定的属性来学习表征，导致用于解码最优路径的特征效果不佳。本文将最小最大VRP的顺序规划过程视为两个耦合的优化任务：不同路线的客户划分和每条路线中的客户导航（即划分与导航）。为了有效处理最小最大VRP实例，我们提出了一种新颖的基于注意力的划分与导航编码器（P&N Encoder），它为划分和导航学习不同的嵌入。此外，我们利用解码路线中的固有对称性，开发了一种有效的智能体排列对称（APS）损失函数。实验结果表明，所提出的解耦划分导航（DPN）方法在单仓库和多仓库最小最大VRP中均显著优于现有的基于学习的方法。我们的代码可在以下地址获取。
引用
@article{arxiv.2405.17272,
title = {DPN: Decoupling Partition and Navigation for Neural Solvers of Min-max Vehicle Routing Problems},
author = {Zhi Zheng and Shunyu Yao and Zhenkun Wang and Xialiang Tong and Mingxuan Yuan and Ke Tang},
journal= {arXiv preprint arXiv:2405.17272},
year = {2024}
}