通过具有可转移本地策略的集成方法，实现车辆路径问题的可泛化神经求解器
摘要：使用机器学习来解决NP难的组合优化问题。一种普遍的方法是通过深度神经网络学习构建解决方案，由于高效率和对专业知识要求较少，这种方法受到越来越多的关注。然而，许多用于车辆路径问题（VRPs）的神经构建方法只关注具有有限规模和指定节点分布的合成问题实例，导致在通常涉及大规模以及复杂和未知节点分布的实际问题上性能较差。为使神经VRP求解器在实际场景中更实用，我们设计了一种学习来自局部可转移拓扑特征的辅助策略，称为局部策略，并将其与典型的构建策略（从VRP实例的全局信息中学习）集成在一起形成一个集成策略。通过联合训练，聚合策略共同和互补地提高泛化能力。在旅行推销员问题和容量限制VRP的两个著名基准测试数据集（TSPLIB和CVRPLIB）上的实验结果表明，集成策略一致地实现比最先进的构建方法更好的泛化，并且在涉及几千个节点的实际问题上也表现良好。
作者：Chengrui Gao, Haopu Shang, Ke Xue, Dong Li, Chao Qian
论文ID：2308.14104
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29