Conceptos Básicos
異なる車両ルーティング問題変種間の転移可能な知識を利用することで、各問題に対するニューラルヒューリスティックの学習を効率化する。
Resumen
本論文は、基本的な車両ルーティング問題であるTSPのためのTransformerモデルを事前学習し、それを応用して複雑な車両ルーティング問題変種のニューラルヒューリスティックを効率的に学習する手法を提案する。
具体的には以下の通り:
- TSPのためのTransformerモデルをバックボーンとして定義し、各車両ルーティング問題変種に対して問題特有の追加モジュールを設計する。
- TSPのためのTransformerモデルを事前学習し、その後に各問題変種のニューラルヒューリスティックを学習する際にバックボーンを活用する。
- バックボーンTransformerを完全に微調整する方法と、問題特有のモジュールのみを微調整する軽量な手法を提案する。
実験の結果、提案手法は従来手法と比べて有意に優れた性能を示し、特に軽量な微調整手法が大幅なパラメータ削減を実現しつつ良好な性能を発揮することが確認された。また、問題分布の異なるインスタンスに対しても有効性が示された。
Estadísticas
車両ルーティング問題の最適解との平均ギャップが20ノードの問題で0.29%、50ノードの問題で0.02%、100ノードの問題で0.06%と非常に小さい。
100ノードの問題に対する推論時間は2分程度と高速である。
Citas
"既存のニューラルヒューリスティックは、各特定の車両ルーティング問題に対して独立に深層学習アーキテクチャを学習しており、問題間の転移可能な知識を無視している。"
"多くの車両ルーティング問題変種は同じまたは類似の問題構造を共有しており、数式の制約条件のみが異なる。したがって、対応するニューラルヒューリスティックも、それぞれのニューラルアーキテクチャの一部のみが異なる。"