Der Artikel präsentiert einen neuartigen lernbasierten Ansatz, um verschiedene Varianten des Fahrzeugroutingproblems (VRP) mit einem einzigen Modell zu lösen. Statt für jedes VRP-Variante ein separates Modell zu trainieren, behandelt der Ansatz die VRP-Varianten als Kombinationen von grundlegenden Attributen wie Kapazität, Zeitfenster, offene Routen usw. Das vorgeschlagene Modell lernt diese Attribute in einem Multi-Aufgaben-Lernverfahren und kann dann neue VRP-Varianten, die Kombinationen dieser Attribute sind, in einem Zero-Shot-Generalisierungsverfahren lösen.
Die Experimente zeigen, dass das einheitliche Modell auf elf VRP-Varianten deutlich bessere Ergebnisse erzielt als bestehende Einzelmodelle, mit einer durchschnittlichen Lücke von nur etwa 5% im Vergleich zu über 20% bei der bisherigen Herangehensweise. Darüber hinaus demonstriert das Modell eine bemerkenswerte Leistungssteigerung auf Benchmark-Datensätzen und in einer Fallstudie aus der Logistikbranche.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問