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.
Para outro idioma
do conteúdo fonte
arxiv.org
Principais Insights Extraídos De
by Fei Liu,Xi L... às arxiv.org 04-15-2024
https://arxiv.org/pdf/2402.16891.pdfPerguntas Mais Profundas