.png){kind=icon}
返回
Neuro-Ins: A Learning-Based One-Shot Node Insertion for Dynamic Routing Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3580640.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
即时配送服务的兴起要求在最后一公里配送场景中进行高效的路线规划，其中新订单动态到达并需要整合到现有路线中。在此类情境下，不允许对路线进行完全重新优化，节点插入到现有路线序列是唯一可行的选择。然而，许多现有的节点插入启发式算法（如Cheapest Insertion（CI）方法）具有短视性，往往导致事后回顾时出现次优解。本文提出Neuro-Ins，这是一种初步但新颖的尝试，旨在利用基于学习的框架来处理 Pickup and Delivery Problem（PDP）中新订单的插入。与CI不同，后者每次仅考虑一个节点进行插入，Neuro-Ins利用基于Attention-Mechanism（AM）的编码器-解码器结构来集体考虑所有待插入节点，从而提升最终解的质量。为进一步改善模型对当前路线的表征，我们引入位置嵌入以通过路线的位置信息丰富节点特征嵌入。在合成和真实世界数据集上的实验表明，通过PPO训练的Neuro-Ins在保持计算速度不变的前提下，持续优于CI，并且其性能也超越了工业界实现的当前最优解方法。我们的研究发现强调了显式考虑所有待插入节点以及沿途节点及其在路线中的位置的重要性，展示了所提出的基于AM的框架在优化即时配送路线方面的有效性。
Keyword:
Instant delivery service
combinatorial optimization
pickup and delivery problem
attention mechanism
rotary position embedding
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
Heterogeneous Attentions for Solving Pickup and Delivery Problem via Deep Reinforcement Learning
OAAI
OAAI分享收藏
Efficiently Solving the Practical Vehicle Routing Problem.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏分享收藏
查看更多内容