结合大邻域搜索的混合节点破坏模型求解有能力约束的车辆路径问题

在本研究中，我们提出了一种迭代学习混合优化求解器，旨在增强元启发式算法在求解有能力约束的车辆路径问题（CVRP）时的性能。该迭代混合机制集成了所提出的节点破坏模型，这是一种机器学习混合模型，利用图神经网络（GNN）来识别和选择客户节点，以在元启发式优化框架内引导大邻域搜索（LNS）算子。该模型利用问题和解的结构特性（可表示为图），来指导关于节点移除的策略性选择。所提出的方法降低了操作复杂性，并缩小了优化过程中涉及的搜索空间。该混合方法专门应用于CVRP，且在不同规模的问题实例间无需重新训练。所提出的混合机制能够提升基线元启发式算法的性能。我们的方法不仅提高了标准CVRP基准测试的解质量，还在多达30,000个客户节点的超大规模实例上证明了其可扩展性。在基准数据集上的实验评估表明，所提出的混合机制能够改进不同的基线算法，在相似设置下获得更高质量的解。