.png){kind=icon}
返回
Accurately estimating optimal SDVRP solution values using regression models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cor.2025.107366.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分区配送车辆路径问题（SDVRP）是一个具有挑战性的组合优化问题。寻找最优解的计算成本通常高于经典车辆路径问题（VRP）。对SDVRP最优解值（或总距离）的准确估计有助于基准测试启发式算法，并优化实际应用中的物流决策。本研究使用通过SplitILS启发式算法求解至近优的2160个SDVRP实例生成的新数据集，开发了回归模型。我们系统地比较了线性回归与更复杂的机器学习模型，包括随机森林、多层感知器（MLP）和Kolmogorov-Arnold网络（KAN），以确定增加模型复杂度是否能带来有意义的预测精度提升。尽管所有模型均达到了很高的估计精度，但我们发现复杂模型相较于更简单的线性回归模型的改进是微不足道的。为评估泛化能力，我们进一步在采用相同方法生成的不同规模和不同服务区域形状的额外实例上评估了这些模型。我们的发现表明，线性回归在SDVRP最优解值估计中具有竞争力，且通常更优，能够在保持高精度的同时维持计算效率、易于实现和模型透明度。这一结果说明，复杂的优化问题并不一定需要复杂的预测模型，并为该领域的研究者提供了实践指导。
期刊
C
IF:
4.3
论文数:
6.5K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems
PREAI
分享收藏
查看更多内容