[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprendiendo a segmentar para problemas de enrutamiento de vehículos

Created by
  • Haebom

Autor

Wenbin Ouyang, Sirui Li, Yining Ma, Cathy Wu

Describir

Este artículo se centra en el hecho de que una parte significativa de las soluciones en las heurísticas de búsqueda iterativas de vanguardia para resolver el problema de enrutamiento de vehículos (VRP) se mantienen estables durante la búsqueda iterativa. Para abordar el problema del cálculo innecesario causado por estas partes estables, presentamos una técnica de descomposición First-Segment-Then-Aggregate (FSTA). FSTA preserva las partes estables durante la búsqueda y agrega los nodos dentro de cada parte en hipernodos fijos para enfocar la búsqueda solo en las partes inestables. Para abordar el problema de decidir qué partes agregar, proponemos Learning-to-Segment (L2Seg), un novedoso marco basado en redes neuronales que distingue inteligentemente entre partes estables e inestables. Presentamos tres variantes de L2Seg (no autorregresiva, autorregresiva y una variante sinérgica de las dos) y mostramos resultados experimentales en CVRP y VRPTW que muestran una aceleración de hasta 7 veces en comparación con los solucionadores iterativos de vanguardia existentes. L2Seg es un marco flexible que es compatible con solucionadores existentes, basados ​​en aprendizaje e híbridos y se puede aplicar a una variedad de VRP.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos una nueva técnica de descomposición FSTA y un marco L2Seg que mejoran significativamente el rendimiento del solucionador VRP.
◦
Aumente la eficiencia en la resolución de problemas VRP a gran escala con una aceleración de hasta 7 veces.
◦
Conseguir un rendimiento óptimo mediante la sinergia de modelos no autorregresivos y autorregresivos.
◦
La compatibilidad con varios tipos y solucionadores de VRP proporciona una amplia aplicabilidad.
•
Limitations:
◦
El rendimiento de L2Seg puede depender de la calidad de los datos de entrenamiento.
◦
El rendimiento de generalización puede ser deficiente para ciertos tipos de VRP.
◦
La efectividad de la técnica de descomposición FSTA puede variar dependiendo de las características del problema.
◦
La complejidad de L2Seg puede incrementar el costo computacional (especialmente para problemas muy grandes).
👍
Made with Slashpage