用于车辆路径问题的学习分段
机器学习
2025-09-30 v2 人工智能
机器人学
摘要
迭代启发式方法在车辆路径问题（VRP）中被广泛认为是最佳解法。本文利用了一个关键观察：解的大部分内容在搜索迭代之间保持不变，即在不同搜索迭代之间保持不变，导致冗余计算，尤其是对于大规模VRP和长子巡问题。为此，我们首次系统性地研究了First-Segment-Then-Aggregate（FSTA）分解技术，以加速迭代求解器。FSTA在搜索过程中保持稳定解段不变，将每个段内的节点聚合为固定的超节点，并仅针对不稳定部分进行搜索。然而，关键挑战在于确定应聚合哪些段。为此，我们提出了Learning-to-Segment（L2Seg），一种新型神经网络框架，用于智能地区分可能稳定和不稳定的段以进行FSTA分解。我们展示了三种L2Seg变体：非自回归（全局全面但局部不区分）、自回归（局部精细但全局不足）以及它们的协同。在CVRP和VRPTW上的实验结果表明，L2Seg可将最先进的求解器加速2倍到7倍。我们进一步提供了深入分析，说明协同为何实现最佳性能。值得注意的是，L2Seg与传统方法、基于学习的方法和混合方法求解器兼容，支持各种VRP。
引用
@article{arxiv.2507.01037,
title = {Learning to Segment for Vehicle Routing Problems},
author = {Wenbin Ouyang and Sirui Li and Yining Ma and Cathy Wu},
journal= {arXiv preprint arXiv:2507.01037},
year = {2025}
}