vehicle routing problem
PulseAugur coverage of vehicle routing problem — every cluster mentioning vehicle routing problem across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
New vision-assisted model tackles complex vehicle routing problems
Researchers have developed a vision-assisted foundation model (VaFM) to tackle complex multi-task vehicle routing problems. This new model integrates visual information with graph-based approaches to simultaneously opti…
-
LLM约束注入方法提高了优化建模的准确性
研究人员开发了一种名为约束注入的新方法，以改进大型语言模型处理复杂优化问题的方式。该技术解决了LLM在其代码中错误地添加或省略约束的问题，这可能导致解决方案有缺陷。该方法使用名为VRPCoder的模型对车辆路径问题进行了测试，成功率达到93%，并且优于现有的LLM。
-
VRP reformulated as graph edit distance for new analysis
研究人员已将车辆路径问题（VRP）重新表述为图编辑距离（GED）最大化问题。这种新方法在边级别对 VRP 进行建模，从而能够对解决方案进行更深入的结构分析，并为未来的图神经网络应用提供自然的每边监督信号。对基准实例的分析表明，最优路径图仅使用了可用边的一小部分，而常见启发式方法却持续错过了其中一部分最优边。
-
新的 L2R 框架将神经路由求解器扩展到 1000 万个节点
研究人员开发了一个名为 L2R 的新颖框架，旨在提高神经组合优化在解决车辆路径问题方面的效率和可扩展性。这种基于学习的方法通过提取特定于问题的模式来优先处理节点，从而比以前的方法更有效地修剪搜索空间。L2R 在各种问题规模和数据分布中表现出强大的泛化能力，尤其是在处理多达 1000 万个节点的实例时，能够获得高质量的解决方案，这是神经路由求解器的一项重大进步。
-
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。
-
新的训练策略通过前瞻性预测增强神经网络路由策略
研究人员开发了一种名为多节点前瞻性预测（MnLP）的新训练策略，以改进神经网络路由策略。该方法解决了当前方法只关注下一步而导致短视决策的局限性。MnLP 能够在训练期间同时预测多个未来节点，从而在不增加推理时间的情况下增强模型的长时规划能力。
-
新的CARM模块提升神经路由求解器性能
研究人员开发了一个名为约束感知残差调制（CARM）的新模块，以提高神经路由求解器的性能。现有的求解器由于其状态嵌入生成机制限制了注意力计算过程中的观察空间，因此常常难以处理复杂的约束。CARM通过用与约束相关的变量自适应地调制上下文嵌入来增强约束感知能力，使求解器能够更好地利用全局观察空间。实验表明，CARM能够持续提升基线性能，尤其是在扩展到大型实例和泛化到未见过的车辆路径问题变体方面。
-
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。
-
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节点-边策略分解（NEPF）的新方法，以解决多图上车辆路径问题（VRP）的可扩展性问题。该方法将路由策略分解为两个阶段：节点排列和边选择，从而能够更有效地处理复杂的旅行选项。与现有方法相比，NEPF在各种VRP场景中展示了具有竞争力或更优的解决方案质量，同时在训练和推理速度方面有了显著的提高。
-
基于QAOA的量子强化学习增强车辆路径优化
研究人员开发了一种新颖的混合方法，将量子近似优化算法（QAOA）集成到量子强化学习（QRL）策略网络中。这种集成使智能体能够利用量子相关性更有效地探索路径解决方案。与现有的Grover自适应搜索和QRL方法相比，新框架在处理更大规模的车辆路径问题实例时，展示了更快的训练收敛速度和处理能力，为近期量子硬件上的量子辅助组合优化带来了希望。
-
车辆路径规划系统在算法之外面临扩展瓶颈
一位用户在尝试将车辆路径规划问题扩展到约一百万个停靠点时，发现系统架构而非路径规划算法本身成为主要瓶颈。影响性能的关键因素包括：约束感知聚类、限制路线优化成本、管理集群边界的不一致性以及高效的距离计算。用户观察到近乎线性的扩展，这对于此类问题来说出乎意料，并寻求与其他遇到类似挑战的人交流见解。