vehicle routing problem
PulseAugur coverage of vehicle routing problem — every cluster mentioning vehicle routing problem across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
深度强化学习优化卡车路线，成本降低 10%
本文探讨了深度强化学习（DRL）在物流行业解决复杂车辆路径问题（VRP）的应用。它提出了一个案例研究，重点关注三种不同用例的卡车网络设计，展示了 DRL 代理如何优化路线。研究表明，与基线方法相比，基于 DRL 的优化实现了超过 10% 的总成本降低，这表明未来有可能广泛推广到各种 VRP 类型。
-
LLM作为训练器范式提升多任务车辆路径规划求解器性能
研究人员开发了一种名为LLM-as-Trainer (LaT) 的新颖训练范式，以改进车辆路径问题 (VRP) 的多任务神经网络求解器。该方法利用预训练的大型语言模型在训练过程中提供分阶段指导，帮助神经网络求解器适应不同的VRP变体。实验表明，LaT提高了已训练和未见过的VRP变体的求解质量，展示了其有效性和通用性。
-
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。
-
新启发式算法计算量大幅减少，性能媲美先进路径规划算法
研究人员为动态多车路径规划问题开发了一种新的奖励密度启发式算法，称为效率启发式算法。该算法旨在最大限度地提高车队在规定时间内收集的累积奖励，同时随着新任务的出现不断重新规划。在自动无人机任务分配和城市出租车调度等应用中进行了测试，效率启发式算法的性能与先进的元启发式算法相当，但所需的计算时间显著减少，确立了帕累托优势。
-
基于Transformer的机器学习优化护理出租车调度
研究人员开发了一种基于Transformer架构的新机器学习方法，用于优化护理出租车的调度。该方法解决了轮椅使用、用户兼容性和车辆限制等复杂约束，而这些约束在先前基于神经网络的路由解决方案中常常被简化。该方法包括在整数线性规划求解器生成的高质量解决方案上训练模型，然后进行后处理以确保满足所有约束。实际数据显示，该方法实现了均衡的解决方案，在某些问题规模下将运营时间减少了高达8%，同时最大限度地减少了约束违反。
-
RACL方法通过推理代理控制增强元启发式学习
研究人员推出了一种新颖的推理-代理控制层（RACL），旨在增强元启发式学习。RACL将一个推理代理集成到现有优化器之上，使其能够在不改变核心约束的情况下控制优化器的搜索行为。该方法在车辆路径测试用例中表现出改进，优于现有策略，并显示出最小的计算开销。概念验证利用Codex作为循环中的推理代理，在优化过程中观察、解释和提出干预措施。
-
新型视觉辅助模型解决复杂的车辆路径问题
研究人员开发了一种视觉辅助基础模型（VaFM），用于解决复杂的多任务车辆路径问题。该新模型将视觉信息与基于图的方法相结合，以同时优化路线成本并满足多样化的客户约束。VaFM解决了现有VRP图像中约束表示不足以及不同任务之间需求差异等挑战。实验表明，VaFM的性能优于当前最先进的方法，特别是在具有复杂约束的VRP变体上。
-
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。
-
新AI模型提升车辆路径问题泛化能力
研究人员开发了一种名为残差精炼专家实例级门控（R2E-IG）的新模型架构，以提高深度强化学习（DRL）模型在车辆路径问题（VRPs）上的泛化能力。与在统一数据分布上训练的现有方法不同，R2E-IG将策略网络划分为可适应的模块，并使用实例级门控机制将输入路由到适当的模块。该模型还结合了具有动态权重适应（DWA）的混合分布训练机制，以关注更具信息量的训练数据。实验表明，R2E-IG在分布内和分布外实例上都表现出具有竞争力的性能，显示出其增…
-
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。
-
新的神经求解器以增强的泛化能力解决复杂的路由问题
研究人员开发了新的神经网络框架来解决复杂的路由问题，旨在提高跨不同问题类型的泛化能力。SPACE 通过使用新颖的空间嵌入和自适应解码机制，统一了对称和非对称车辆路径问题 (VRP)。URS 提供统一的数据表示和混合偏置模块，以实现跨众多 VRP 变体的零样本泛化，并处理大规模实例。WeCon 通过改进权重条件上下文建模并提出一种有效的偏好优化方法来解决多目标组合优化问题。此外，一项研究引入了摊销效率阈值 (AET) 来比较神经求解器与…
-
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。