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.
Sang ngôn ngữ khác
từ nội dung nguồn
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Fei Liu,Xi L... lúc arxiv.org 04-15-2024
https://arxiv.org/pdf/2402.16891.pdfYêu cầu sâu hơn