学习车辆路径问题的混合算法
摘要：改善混合算法的一种通用技术：基于发现和调整元启发式。将一组基于插入和删除当前解中的任务的推/拉启发式表示为代数形式。然后让学习算法搜索最佳的代数表达式，该表达式表示给定问题集和优化标准的混合算法。在先前的论文中，我们详细描述了这个代数，并提供了一组初步结果，证明了这种方法的效用，使用车辆路径规划与时间窗口（VRPTW）作为领域示例。在本文中，我们扩展了我们的结果，提供了更健壮的实验框架和学习算法，并报告了使用标准Solomon基准的一些新结果。特别是，我们展示了我们的学习算法能够在只使用一小部分CPU时间的情况下达到与最优算法相似的结果。我们还表明，自动调整这些技术的最佳混合组合可以比手动调整得到更好的解决方案，而且付出的努力要少得多。
作者：Yves Caseau, Glenn Silverstein, Francois Laburthe
论文ID：cs/0405092
分类：Programming Languages
分类简称：cs.PL
提交时间：2007-05-23