大规模车辆路径问题的分层学习图划分
机器学习
2025-02-13 v1 人工智能
摘要
基于分治方法的神经网络求解器用于车辆路径问题（VRP），特别是容量约束车辆路径问题（CVRP），将实例的全局划分与每个子问题的局部构造相结合以增强泛化。然而，在全局划分阶段，子图内的错误聚类倾向于在学习型划分策略的多步解码过程中逐步累积。这种全局划分阶段的次优行为反过来可能导致基于分解的整个系统性能显著恶化，即使使用了最优的局部构造。为了解决这些挑战，我们提出了一个通用的分层学习图划分（HLGP）框架，专门通过协同整合全局和局部划分策略来使CVRP实例的划分受益。具体而言，全局划分策略负责创建粗略的多路划分，以生成一系列更简单的两路划分子任务。这些子任务标志着后续K个局部划分层级的开始。在每个局部划分层级，仅属于该层级的子任务被分配给局部划分策略，该策略受益于对局部拓扑特征不敏感的特性，从而逐步缓解累积误差。该框架是通用的，因为它将所涉及的划分策略优化为与强化学习（RL）和监督学习（SL）都和谐兼容的统一目标。（由于arXiv通知'摘要字段不能超过1920个字符'，此处出现的摘要为缩短版。完整摘要请下载文章。）
引用
@article{arxiv.2502.08340,
title = {Hierarchical Learning-based Graph Partition for Large-scale Vehicle Routing Problems},
author = {Yuxin Pan and Ruohong Liu and Yize Chen and Zhiguang Cao and Fangzhen Lin},
journal= {arXiv preprint arXiv:2502.08340},
year = {2025}
}
备注
Accepted as a Full Paper at AAMAS 2025 (24th International Conference on Autonomous Agents and Multiagent Systems)