太大就会失败？——使神经构造方法能求解大规模路由问题
机器学习
2023-10-02 v1
摘要
近年来，人们提出了新的深度学习方法来求解组合优化问题，特别是 NP 困难的车辆路由问题（VRP）。其中最具影响力的方法是顺序神经构造方法，通常通过强化学习进行训练。由于这些模型训练成本高，它们通常在有限的实例规模（例如服务 100 个客户）上训练，随后应用于大得多的实例规模（例如 2000 个客户）。通过系统的规模扩展研究，我们表明即便最先进的神经构造方法也会被简单启发式方法超越，无法泛化到更大的问题实例。我们提出使用 ruin recreate 原理，该原理在完全破坏解的局部部分与随后重建改进变体之间交替。如此，诸如 POMO 的神经构造方法从未应用于全局问题，而仅用于重建步骤，该步骤仅涉及与其原始训练实例规模相近的局部问题。在四个具有不同分布与模态的数据集上的详尽实验中，我们表明我们的神经 ruin recreate 方法优于改进构造方法的替代形式（如采样与束搜索），并在若干实验中亦优于先进的局部搜索方法。
引用
@article{arxiv.2309.17089,
title = {Too Big, so Fail? -- Enabling Neural Construction Methods to Solve Large-Scale Routing Problems},
author = {Jonas K. Falkner and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2309.17089},
year = {2023}
}