学习处理车辆路径问题中的复杂约束
人工智能
2024-10-29 v1 机器学习
摘要
车辆路径问题（VRP）可以建模许多现实世界场景，并且通常涉及复杂约束。虽然最近的神经方法在基于可行性掩码构建解方面表现出色，但它们难以处理复杂约束，尤其是在获取掩码本身是 NP 难的情况下。在本文中，我们提出了一种新颖的主动不可行性预防（PIP）框架，以提升神经方法处理更复杂 VRP 的能力。我们的 PIP 整合了拉格朗日乘子作为增强约束感知的基础，并引入了预防性不可行性掩码，以主动引导解的构建过程。此外，我们提出了 PIP-D，它采用一个辅助解码器和两种自适应策略来学习和预测这些定制掩码，从而在显著降低训练期间计算成本的同时，可能提升性能。为了验证我们的 PIP 设计，我们在不同约束硬度级别下，对极具挑战性的带时间窗的旅行商问题（TSPTW）和带吃水限制的 TSP（TSPDL）变体进行了广泛实验。值得注意的是，我们的 PIP 具有通用性，可以提升许多神经方法，并展现出不可行率的显著降低和解质量的显著提高。
引用
@article{arxiv.2410.21066,
title = {Learning to Handle Complex Constraints for Vehicle Routing Problems},
author = {Jieyi Bi and Yining Ma and Jianan Zhou and Wen Song and Zhiguang Cao and Yaoxin Wu and Jie Zhang},
journal= {arXiv preprint arXiv:2410.21066},
year = {2024}
}
备注
Accepted at NeurIPS 2024