基于神经网络的随机多路径旅行商问题可扩展求解方法
最优化与控制
2026-05-15 v1 机器学习
摘要
具有随机旅行成本的多路径旅行商问题出现于为智慧城市和城市物流设计的混合车辆路径规划应用中，其中每对位置之间存在多条路径。沿这些路径的行驶时间通常受实时交通状况影响，因此被建模为随机的。该问题的目标是在不确定性下确定一个使预期总旅行成本最小化的哈密顿环。在本工作中，我们采用两阶段随机规划公式。第一阶段确定指定待访问位置序列的预定义路线，同时考虑一个第二阶段追偿问题，该问题在实时交通状况确定后，从每对位置的备选路径可行集中选择最优路径。为了减轻捕捉行驶时间不确定性所需的大量场景带来的计算负担，本工作的创新之处在于集成了基于神经网络的代理模型来近似第二阶段追偿问题的期望值。我们提出并分析了不同的神经网络架构和训练策略，并在计算时间、求解质量和泛化能力方面评估了性能。初步研究结果证明了该方法在不确定性下的复杂车辆路径规划问题中具有更强的可扩展性和实际适用性。
引用
@article{arxiv.2605.14662,
title = {Scalable Solution of the Stochastic Multi-path Traveling Salesman Problem via Neural Networks},
author = {Xiaochen Chou and Ludovica Di Marco and Enza Messina},
journal= {arXiv preprint arXiv:2605.14662},
year = {2026}
}