用于带容量约束车辆路径问题的神经大邻域搜索
人工智能
2020-12-01 v2 机器学习
摘要
学习如何自动求解优化问题有潜力为优化技术带来下一次重大飞跃。近年来，在路径问题上自动学习得到的启发式方法的性能稳步提升，但纯粹基于机器学习的方法仍被最先进的优化方法所超越。为缩小这一性能差距，我们提出了一种新颖的用于车辆路径的大邻域搜索（LNS）框架，其集成了用于生成新解的习得启发式方法。该学习机制基于带有注意力机制的深度神经网络，并专门设计以集成到 LNS 搜索设定中。我们在带容量约束车辆路径问题（CVRP）和分割配送车辆路径问题（SDVRP）上评估了我们的方法。在多达 297 个客户的 CVRP 算例上，我们的方法显著优于仅使用手工启发式方法的 LNS 以及文献中一种著名的启发式方法。此外，我们针对 CVRP 和 SDVRP 表明，我们的方法超越了现有机器学习方法的性能，并接近最先进优化方法的性能。
引用
@article{arxiv.1911.09539,
title = {Neural Large Neighborhood Search for the Capacitated Vehicle Routing Problem},
author = {André Hottung and Kevin Tierney},
journal= {arXiv preprint arXiv:1911.09539},
year = {2020}
}