求解车辆路径问题的神经组合优化算法：综合综述与展望
人工智能
2025-04-28 v3
摘要
尽管已有若干针对专门求解车辆路径问题(VRP)的神经组合优化(NCO)求解器的综述，但它们并未涵盖近期出现的最先进(SOTA)NCO求解器。更重要的是，为建立全面且最新的NCO求解器分类体系，我们系统性地回顾了相关出版物和预印本，将其分为四种不同类型，即学习构造型、学习改进型、学习一次性预测型和学习多次预测型求解器。随后，我们指出了SOTA求解器的不足，包括泛化能力差、无法求解大规模VRP、无法同时处理大多数类型的VRP变体，以及难以将这些NCO求解器与传统运筹学算法进行比较。同时，我们讨论了正在进行的工作，指出了尚未解决的不足，并提出了克服这些不足的有前景且可行的方向。值得注意的是，现有工作仅关注其中一两个不足，没有尝试同时解决所有问题。此外，我们比较了来自强化学习、监督学习和无监督学习范式的代表性NCO求解器在不同规模VRP上的性能。最后，根据所提出的分类体系，我们提供了一个配套网页作为NCO求解器的实时资源库。通过本综述和实时资源库，我们旨在推动NCO社区的进一步发展。
引用
@article{arxiv.2406.00415,
title = {Neural Combinatorial Optimization Algorithms for Solving Vehicle Routing Problems: A Comprehensive Survey with Perspectives},
author = {Xuan Wu and Di Wang and Lijie Wen and Yubin Xiao and Chunguo Wu and Yuesong Wu and Chaoyu Yu and Douglas L. Maskell and You Zhou},
journal= {arXiv preprint arXiv:2406.00415},
year = {2025}
}
备注
submitted to TNNLS