CVRP
PulseAugur coverage of CVRP — every cluster mentioning CVRP across labs, papers, and developer communities, ranked by signal.
-
指针网络增强以实现通用的无人机配送路径规划
研究人员开发了一种新方法,以提高指针网络在解决容量车辆路径问题(CVRP)时的泛化能力。该研究确定了导致问题规模变化时性能下降的三个关键因素:节点密度变化、注意力分散和图上下文稀释。通过系统地比较架构修改,该团队提出了一种学习到的、置换不变的图上下文聚合机制。这种方法以及一种方法选择器,显著降低了各种问题规模(包括训练期间未见过的问题)的路径规划成本。
-
新TRCM方法提升神经车辆路径规划精度
研究人员开发了拓扑感知路径一致性建模(TRCM),一种增强神经车辆路径规划求解器的新方法。TRCM显式地对路径级别的客户共同分配进行建模以指导决策,改进了隐式表示路径组织的现有自回归模型。该方法结合了保持结构的一致性增强和基于拓扑熵的重加权,以解决类别不平衡和结构不均的监督数据问题。TRCM在CVRP50和CVRP100等基准数据集上显著减小了最优性差距,并在XML100上显示出改进的平均目标。
-
新AI框架优化配送路线和动态定价
研究人员开发了GREAT-ESDD,一个新颖的框架,它使用图边注意力网络(GREAT)来优化涉及家庭和家庭外配送选项的场景的配送路线和动态定价。该系统旨在通过实时重新优化路线并将客户引导至家庭外配送(当家庭配送成本更高时)来降低成本。通过采用Thompson采样来学习客户偏好,GREAT-ESDD在相似的定价决策时间预算内,与传统的路由求解器相比,利润提高了约11%。
-
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。
-
新的CVRP方法使用机器学习启发式方法进行物流优化
研究人员开发了一种名为进化式巨型路线(Evolutionary Giant Tour)的新方法来解决容量车辆路径问题(CVRP),旨在优化容量和车队约束下的物流路线。该方法利用节点移位编码(NSE)和无监督机器学习修复启发式方法来保持解决方案的可行性。在基准实例上的测试表明,NSE优于其他编码方式,并且所提出的流程与现有方法相比,表现出更强的鲁棒性、更低的成本和更高的可行性。
-
LLM框架联合演化路由优化启发式算法
研究人员开发了一个名为LLM驱动的启发式组件联合生成(LLM-HCJG)的新颖框架,以解决组合优化启发式设计中专家知识的局限性。这种基于种群的方法联合生成并共同演化相互依赖的启发式组件,这与之前演化孤立部分的方法不同。当应用于旅行商问题(TSP)和容量车辆路径问题(CVRP)等路由问题的引导局部搜索时,LLM-HCJG表现出卓越的性能,在绝大多数测试基准上取得了最佳或并列最佳的结果。
-
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。