Capacitated Vehicle Routing Problem
PulseAugur coverage of Capacitated Vehicle Routing Problem — every cluster mentioning Capacitated Vehicle Routing Problem across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的图边注意力网络解决了电动汽车路径规划的挑战
研究人员开发了GREAT，一种新颖的图边注意力网络，旨在解决具有不对称成本的复杂电动汽车路径规划问题。与依赖节点坐标的先前方法不同，GREAT在边空间中运行，使其更适用于能量消耗等非欧几里得度量。GREAT集成到强化学习框架中，优化了路径规划和充电决策，在能量减少和运行时效率方面优于现有启发式方法。当适应非欧几里得环境时，该模型还在旅行商问题和有容量车辆路径问题等标准路径规划问题上展示了最先进的性能。
-
新的RELAGRAM模型使用潜在递归来解决车辆路径问题
研究人员开发了RELAGRAM，一种新颖的递归潜在图模型，专为容量车辆路径问题（CVRP）设计。该方法利用一个紧凑的Transformer来重复更新图令牌的潜在表示，使其能够构建可行的解决方案。RELAGRAM在CVRP实例上展示了有希望的结果，与现有求解器相比，实现了具有竞争力的差距，并显示出对更大问题规模的泛化能力。
-
新框架增强了嘈杂硬件上的量子强化学习
研究人员开发了一个名为APGEM的自适应误差缓解框架，用于嘈杂中型量子（NISQ）系统上的混合量子强化学习。该系统在量子强化学习训练循环中动态选择最合适的误差缓解策略，以适应不断变化的噪声条件。APGEM集成了零噪声外推、概率误差消除、Clifford数据回归和读出误差缓解，并在容量车辆路径问题的实验中显示出改进的鲁棒性和可靠性。
-
新的AI路由方法增强推理和效率 · 跟踪4个来源
研究人员开发了T-Router，一种参数高效的强化学习方法，通过选择性地重用预训练模型的计算来显著提高推理能力。该方法在最近的arXiv论文中有所详细介绍，仅分配了0.466%的一小部分参数，但在GSM8K和AIME等基准测试上取得了比全参数方法和LoRA更优越的性能。另一篇论文探讨了用于边缘设备的神经符号路由，将查询分类以使用确定性求解器或小型语言模型，在资源受限的硬件上实现了高精度和高效率。第三项研究调查了组合优化问题的神经路由求…
-
新的SPO框架使用LLM发现自适应搜索算子
研究人员开发了一个名为Stackelberg程序优化（SPO）的新框架，用于发现大邻域搜索（LNS）算法的有效破坏和修复算子。SPO采用基于LLM的方法来创建自适应程序，根据不断演变的LNS状态来条件化算子决策。该方法将发现过程组织为Stackelberg交互，其中破坏算子充当领导者，修复算子充当条件跟随者，引导LLM学习和进化搜索的结合。在旅行商问题和有容量车辆路径问题上的实验表明，SPO优于现有的强大基线，并能泛化到更大的问题实例。
-
RouteRepair 通过修复实例级故障来增强大语言模型生成的路由启发式算法
研究人员开发了 RouteRepair，这是一种用于改进大语言模型 (LLM) 生成的路由优化问题启发式算法的新颖方法。RouteRepair 能够识别 LLM 设计的启发式算法中特定的实例级故障，并进行定向修改，以提高在困难案例上的性能，同时不降低在简单案例上的性能。在旅行商问题 (TSP) 和有容量车辆路径问题 (CVRP) 上的实验表明，该方法显著提高了性能，减小了最优性差距和平均路径成本。
-
新型循环编码器提高了神经组合优化的效率
研究人员开发了一种用于神经组合优化（NCO）的新型循环编码器架构，显著提高了效率。这种新颖的方法通过将过去的状态嵌入整合到当前状态的计算中，重用了先前步骤的计算。所提出的循环编码器以更少的层数实现了与非循环模型相当或更优的性能，从而降低了延迟。其有效性已通过旅行商问题（TSP）、带容量车辆路径问题（CVRP）和定向问题（OP）得到证明，并已集成到大型邻域搜索算法中。
-
混合量子-经典神经网络在路由优化方面展现出潜力
研究人员开发了一种混合量子-经典神经网络，旨在改进路由启发式算法，特别是针对有容量车辆路径问题。该模型集成了小型量子神经网络，以替换基于注意力的经典路由系统中的参数密集型模块。虽然这种方法将模型参数显著减少了 56% 以上，但其在较小问题实例上的性能与经典神经网络基线非常接近，但在较大问题实例上差距逐渐扩大。研究得出结论，经典路由算法仍然具有很强的竞争力，而这种混合模型为神经网络组合优化提供了一种可行的压缩策略，而不是展示量子优势。
-
新的MEMENTO方法提升了AI路由问题求解器的性能
研究人员开发了MEMENTO，一种通过整合记忆来增强路由问题神经网络求解器的新方法。该方法根据先前决策的结果动态调整动作分布，提高了适应性和计算预算利用率。在旅行商问题和车辆路径问题上，MEMENTO的表现优于现有的树搜索和策略梯度微调方法，在大多数评估任务上都达到了最先进水平。
-
新的PIAC框架增强了LLM在优化问题上的泛化能力
研究人员开发了一个名为潜在感知实例和算法协同演化（PIAC）的新框架，以提高大型语言模型（LLM）在解决复杂组合优化问题上的泛化能力。PIAC通过引入一种新颖的“潜在增益”指标来消除对参考解的需求，并利用LLM生成多样化的实例变异器，从而解决了现有方法的局限性。在旅行商问题和有容量车辆路径问题上的评估表明，PIAC的表现持续优于最先进的基线，其中TSP贪婪构造组合的改进尤为显著，达到了19.76%。
-
新方法使用神经路由求解器进行决策支持
研究人员引入了处方式探测（Prescriptive Probing），一种利用已训练的神经路由求解器进行超越简单问题求解的决策支持的新方法。该技术利用这些求解器的冻结表示来对候选干预措施进行排名，回答有关路由问题的复杂“假设”问题。该方法采用监督学习（带有离线重新求解标签）或强化学习（用于组合动作空间），在非对称旅行商问题和有容量车辆路径问题基准测试中表现强劲。
-
新AI方法大幅缩短车辆路径规划问题的优化时间
研究人员开发了一种名为Learned Pairwise Deep Dual-Optimal Inequalities (L-PDDOIs)的新方法来稳定列生成，这是一种对车辆路径规划等大规模优化问题至关重要的技术。该学习框架预测对偶变量之间的排序，并将其纳入主问题以提高收敛速度。在对有容量限制的车辆路径规划问题和有时间窗口的车辆路径规划问题进行测试时，L-PDDOIs在解决方案质量损失极小的情况下显著减少了计算时间。
-
新的“领导者奖励”技术增强了AI在组合优化问题中的能力
研究人员引入了一种名为“领导者奖励”的新颖训练技术，旨在提高神经网络在解决组合优化问题方面的性能。该方法侧重于增强最优解的生成，特别是在旅行商问题（TSP）、有容量车辆路径问题（CVRP）和柔性流水车间问题（FFSP）等复杂问题上。通过在多最优策略优化（POMO）模型的特定训练阶段应用领导者奖励，该方法以极低的额外计算成本显著提高了最优解的质量。
-
MViewRouter框架将几何等变性内化用于路径规划问题
研究人员开发了MViewRouter，一个旨在解决旅行商问题等复杂组合式路径规划问题的新型框架。这种新方法将几何等变性作为核心归纳偏置，通过多视图交替注意力机制处理对称性，从而实现更一致和更具泛化性的决策。在标准基准和实际案例上的实验表明，MViewRouter在解决方案质量和强大的零样本泛化能力方面具有竞争力。
-
DyNACO框架通过动态神经引导增强蚁群优化
研究人员开发了DyNACO，一个用于蚁群优化（ACO）的动态神经引导新框架。该方法通过允许策略根据实时信息素分布和现有解进行调整，解决了静态训练策略与迭代搜索过程之间的不匹配问题。DyNACO已证明其可扩展至大规模旅行商问题（TSP）和车辆路径问题（CVRP），性能优于现有的神经方法，并经常改进无引导求解器的性能。
-
新框架结合知识与强化学习解决车辆路径问题
研究人员开发了一个新的框架来解决容量车辆路径问题（CVRP），这是一个复杂的物流挑战。他们的方法将基于知识的启发式方法与强化学习相结合，将问题分解为子问题，并使用动态规划来指导学习过程。与现有的基于学习的技术相比，该方法在各种 CVRP 场景中展示了改进的解决方案质量和泛化能力。
-
Mamba 主干驱动新高效神经组合优化框架
研究人员开发了 ECO，一个利用 Mamba 主干的高效神经组合优化框架。该方法将轨迹生成与梯度更新分离，采用监督预热阶段，然后对批量候选集进行迭代式直接偏好优化。该框架包含一个混合 Mamba 编码器-解码器来管理内存增长并提高硬件效率，以及一个局部搜索引导的引导策略来稳定训练。与现有的神经基线相比，ECO 在旅行商问题和有容量车辆路径问题基准测试中展现出卓越的性能、内存效率和吞吐量。