DRLHQ

新的DRLHQ方法解决了复杂的选址-路径问题

研究人员开发了一种新颖的端到端深度强化学习方法DRLHQ，用于解决复杂的有容量限制的选址-路径问题（CLRPs）。该方法采用编码器-解码器框架，将CLRPs重构为马尔可夫决策过程。它独特地引入了异构查询注意力机制，以动态管理选址和路径决策之间的相互依赖性。实验表明，DRLHQ在CLRP和开放CLRP数据集上的解决方案质量和泛化能力均优于现有的传统和基于DRL的方法。