PulseAugur
实时 12:46:04
English(EN) Two-Stage Learned Decomposition for Scalable Routing on Multigraphs

新的NEPF方法解决了复杂车辆问题的可扩展路由

研究人员开发了一种名为“用于多重图可扩展路由的两阶段学习分解”(NEPF)的新方法,以解决车辆路径问题(VRP)现有神经方法的局限性。该方法将路由策略分解为独立的节点排列和边选择阶段,使其能够处理具有并行旅行选项的复杂多重图。实验表明,NEPF在质量上与当前最先进的解决方案相当或更优,同时在训练和推理速度方面提供了显著的改进。 AI

影响 为路由问题引入了一种新颖的分解技术,有望提高物流和运筹学研究的效率。

排序理由 这是一篇详细介绍解决车辆路径问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的NEPF方法解决了复杂车辆问题的可扩展路由

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Filip Rydin, Morteza Haghir Chehreghani, Bal\'azs Kulcs\'ar ·

    Two-Stage Learned Decomposition for Scalable Routing on Multigraphs

    arXiv:2605.05389v1 Announce Type: new Abstract: Most neural methods for Vehicle Routing Problems (VRPs) are limited to Euclidean settings or simple graphs. In this work, we instead consider multigraphs, where parallel edges represent distinct travel options with varying trade-off…