基于图注意力的深度强化学习求解带负载依赖成本的中国邮递员问题
机器学习
2024-03-05 v4
摘要
近来，深度强化学习(DRL)模型在求解路由问题上展现出有前景的结果。然而，大多数DRL求解器通常针对节点路由问题提出，如旅行商问题(TSP)。同时，将神经方法应用于弧路由问题（如中国邮递员问题(CPP)）的研究有限，因为相较于TSP，它们常具有不规则且复杂的解空间。为填补这些空白，本文提出一种新颖的DRL框架以解决带负载依赖成本的CPP (CPP-LC) (Corberan et al., 2018)，这是一个带负载约束的复杂弧路由问题。我们方法的新颖性有两方面。首先，我们将CPP-LC建模为马尔可夫决策过程(MDP)序列模型。随后，我们引入一种基于DRL的自回归模型，即Arc-DRL，由编码器与解码器组成，以有效应对CPP-LC挑战。该框架使DRL模型能高效且可扩展地应用于弧路由问题。此外，我们提出一种基于进化算法(EA)的受生物启发的CPP-LC元启发式解。大量实验表明，在CPP-LC的大型基准数据集上，就解质量与运行时间而言，Arc-DRL优于(Corberan et al., 2018)提出的现有元启发式方法如迭代局部搜索(ILS)与变邻域搜索(VNS)；而EA以多得多的运行时间给出了最佳解质量。我们在 https://github.com/HySonLab/Chinese_Postman_Problem 发布了EA、ILS和VNS等元启发式的C++实现以及数据生成代码和我们生成的数据。
引用
@article{arxiv.2310.15516,
title = {Graph Attention-based Deep Reinforcement Learning for solving the Chinese Postman Problem with Load-dependent costs},
author = {Truong Son Hy and Cong Dao Tran},
journal= {arXiv preprint arXiv:2310.15516},
year = {2024}
}