用于求解车辆路径问题的边选择模型的局部搜索邻域

本研究提出一种混合机器学习和元启发式机制，用于求解车辆路径问题 (VRP)。方法的核心是边解题选择模型，对 solution 边进行分类，以识别局部搜索中被禁止的移动，从而引导 metaheuristic 框架中的搜索过程。两种基于学习的机制用于开发边选择模型：一种是简单的 tabular 二元分类器，另一种是图神经网络 (GNN)。tabular 分类器采用梯度提升树和前馈神经网络作为 baseline 算法。还对决策阈值进行调整，以处理 problem instance 中的类别不平衡。另一种机制采用 GNN 利用图结构进行 direct solution 边预测，以预测被禁止的移动。这些混合机制随后应用于 state-of-the-art 元启发式 baseline。我们的方法在不同 baseline 元启发式、各种 problem 规模和变体（包括受容车辆路径问题 (CVRP) 和带时间窗的 CVRP (CVRPTW)）中均实现了性能提升。实验评估在最坏情况数据集（最坏情况 30,000 个 customer 节点）上进行，配合成对统计分析，验证了所观察到的改进。