用于求解车辆路径问题的带嵌入一瞥的多解码器注意力模型
机器学习
2020-12-22 v1 人工智能
摘要
我们提出一种新颖的深度强化学习方法，以学习车辆路径问题的构造启发式。具体而言，我们提出多解码器注意力模型（MDAM）来训练多个多样化策略，与仅训练单一策略的现有方法相比，有效增加了找到优良解的机会。设计了定制化的束搜索策略以充分利用 MDAM 的多样性。此外，基于构造的递归特性，我们在 MDAM 中提出嵌入一瞥层，通过提供更富信息的嵌入来改善各策略的质量。在六个不同路径问题上的大量实验表明，我们的方法显著优于基于深度学习的最优（SOTA）模型。
引用
@article{arxiv.2012.10638,
title = {Multi-Decoder Attention Model with Embedding Glimpse for Solving Vehicle Routing Problems},
author = {Liang Xin and Wen Song and Zhiguang Cao and Jie Zhang},
journal= {arXiv preprint arXiv:2012.10638},
year = {2020}
}
备注
Accepted by AAAI 2021