CVRP
PulseAugur coverage of CVRP — every cluster mentioning CVRP across labs, papers, and developer communities, ranked by signal.
-
LLM自动设计启发式算法以优化车辆路径规划
研究人员开发了一种名为AILS-AHD的新方法，该方法利用大型语言模型（LLM）自动设计和优化容积车辆路径问题（CVRP）的启发式算法。该方法将进化搜索框架与LLM相结合，在自适应迭代局部搜索（AILS）框架内动态生成破坏启发式算法，并采用基于LLM的机制进行计算加速。实验表明，AILS-AHD的性能优于最先进的求解器，在CVRPLib基准测试的10个大规模实例中的8个实例上创下了新的已知最优解。
-
COAgents框架通过กล่าวถึง-Agent学习改进VRP解决方案
研究人员开发了COAgents，一个旨在解决复杂车辆路径规划问题（VRP）的新型กล่าวถึง-Agent框架。该框架将最优解的搜索建模为图，并使用专用Agent来指导探索和多样化。COAgents在CVRP基准测试上表现强劲，并在更具挑战性的VRPTW实例上取得了基于学习方法的最新成果。
-
LINC架构提高了CVRPTW、TSP和CVRP的路由求解器性能
研究人员推出了一种用于构造性神经网络路由求解器的新型架构LINC（Local Inference via Normed Comparison，通过范数比较进行局部推理）。LINC明确计算诸如行程和容量变化等一步后果，将其与隐藏匹配过程解耦。该方法旨在提高复杂路由问题的性能，在时间窗车辆路径问题（CVRPTW）、车辆路径问题（CVRP）和旅行商问题（TSP）的解隙方面显著减小即证明了这一点。
-
LLM辅助的MCTS框架自动化设计大规模CVRP求解器
研究人员开发了一个名为LaF-MCTS的新框架，用于自动化设计高性能的大规模容量车辆路径问题（CVRP）求解器。该方法利用大型语言模型（LLMs）生成复杂的搜索策略，克服了先前LLM驱动方法的局限性。实验表明，LaF-MCTS可以自主创建和优化增强分解的求解器，其性能优于现有的最先进的CVRP求解器。