핵심 개념
계층적 차량 경로 문제에서 상위 수준 결정을 평가하기 위해 신경망 모델을 사용하여 하위 수준 차량 경로 문제의 비용을 신속하게 예측할 수 있다.
초록
이 논문은 차량 경로 결정이 상위 수준 결정과 연관된 계층적 최적화 문제를 다룹니다. 이러한 문제의 예로는 다중 창고 차량 경로 문제(MDVRP)와 용량 제한 위치 경로 문제(CLRP)가 있습니다.
저자들은 상위 수준 결정을 평가하기 위해 신경망 모델을 사용하여 하위 수준 차량 경로 문제의 비용을 신속하게 예측하는 Genetic Algorithm with Neural Cost Predictor (GANCP) 방법을 제안합니다.
GANCP은 다음과 같은 단계로 구성됩니다:
- 유전 알고리즘을 사용하여 고객-창고 할당 전략을 생성 및 개선
- 신경망 모델을 사용하여 각 할당 전략에 대한 차량 경로 문제의 비용을 신속하게 예측
- 예측된 비용과 해의 다양성을 고려하여 할당 전략의 적합도 평가
- 최종 해를 얻기 위해 상위 해답들을 HGS-CVRP 솔버로 평가
저자들은 MDVRP와 CLRP 벤치마크 인스턴스에 대한 실험 결과를 제시하며, 제안 방법이 계층적 차량 경로 문제를 효과적으로 해결할 수 있음을 보여줍니다.
통계
차량 용량 Q는 정수 범위 [1, 100] 사이의 값을 가집니다.
고객 수요 qi는 정수 범위 [1, 100] 사이의 값을 가집니다.
고객 및 창고 좌표는 정수 범위 [0, 1000] × [0, 1000] 사이의 값을 가집니다.
인용구
"계층적 차량 경로 문제에서 상위 수준 결정이 하위 수준 결정에 영향을 미치므로, 이러한 문제를 해결하는 것은 매우 어려운 과제입니다."
"제안된 신경망 모델은 실제로 차량 경로 문제를 해결하지 않고도 비용을 신속하게 예측할 수 있어, 계층적 문제에 대한 알고리즘 개발 시간을 크게 단축할 수 있습니다."