論文の概要: An Overview and Experimental Study of Learning-based Optimization Algorithms for Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2107.07076v1
• Date: Thu, 15 Jul 2021 02:13:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 13:58:01.537128
• Title: An Overview and Experimental Study of Learning-based Optimization Algorithms for Vehicle Routing Problem
• Title（参考訳）: 車両ルーティング問題に対する学習型最適化アルゴリズムの概要と実験的検討
• Authors: Bingjie Li, Guohua Wu, Yongming He, Mingfeng Fan, Witold Pedrycz
• Abstract要約: 車両ルーティング問題(VRP)は典型的な離散最適化問題である。 多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。 本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
• 参考スコア（独自算出の注目度）: 49.04543375851723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle routing problem (VRP) is a typical discrete combinatorial optimization problem, and many models and algorithms have been proposed to solve VRP and variants. Although existing approaches has contributed a lot to the development of this field, these approaches either are limited in problem size or need manual intervening in choosing parameters. To tackle these difficulties, many studies consider learning-based optimization algorithms to solve VRP. This paper reviews recent advances in this field and divides relevant approaches into end-to-end approaches and step-by-step approaches. We design three part experiments to justly evaluate performance of four representative learning-based optimization algorithms and conclude that combining heuristic search can effectively improve learning ability and sampled efficiency of LBO models. Finally we point out that research trend of LBO algorithms is to solve large-scale and multiple constraints problems from real world.
• Abstract（参考訳）: 車両ルーティング問題(VRP)は典型的な離散組合せ最適化問題であり、多くのモデルやアルゴリズムがVRPと変種を解くために提案されている。 既存のアプローチはこの分野の開発に多くの貢献をしてきたが、これらのアプローチは問題のサイズに制限があるか、パラメータの選択に手動で介入する必要がある。 これらの課題に対処するために、多くの研究はVRPを解決するための学習に基づく最適化アルゴリズムを検討する。 本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。 4つの代表的な学習ベース最適化アルゴリズムの性能を正当に評価するための3つの部分実験をデザインし,ヒューリスティック検索を組み合わせることで,lboモデルの学習能力とサンプル化効率を効果的に向上できると結論づけた。 最後に,LBOアルゴリズムの研究動向として,実世界の大規模・複数制約問題の解決があげられる。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems [4.023511716339818]
  マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。 本稿では,最近開発されたMOOアルゴリズムについて検討する。 実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
  論文  参考訳（メタデータ） (2024-06-29T15:19:46Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Solving the vehicle routing problem with deep reinforcement learning [0.0]
  本稿では,NP-Hard 問題のクラスに属する有名な問題である Vehicle Routing Problem (VRP) に対する RL の適用について述べる。 第2フェーズでは、アクターと批評家の背後にあるニューラルアーキテクチャが確立され、畳み込みニューラルネットワークに基づいたニューラルアーキテクチャを採用することが選択された。 広範囲なインスタンスで行った実験では、アルゴリズムが優れた一般化能力を持ち、短時間で良い解に達することが示されている。
  論文  参考訳（メタデータ） (2022-07-30T12:34:26Z)
• Sample-Efficient, Exploration-Based Policy Optimisation for Routing Problems [2.6782615615913348]
  本稿では,エントロピーに基づく新しい強化学習手法を提案する。 さらに、我々は、期待したリターンを最大化する、政治以外の強化学習手法を設計する。 我々のモデルは様々な経路問題に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-31T09:51:48Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• A review of approaches to modeling applied vehicle routing problems [77.34726150561087]
  車両経路問題のモデル化手法について概説する。 モデリング手法を評価するためのいくつかの基準を定式化する。 我々はVRPドメインのモデリング分野における今後の研究の道について論じる。
  論文  参考訳（メタデータ） (2021-05-23T14:50:14Z)
• PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective Optimization Problems [0.0]
  提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。 また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
  論文  参考訳（メタデータ） (2021-03-19T11:18:03Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Analytics and Machine Learning in Vehicle Routing Research [8.524039202121974]
  車両問題ルーティング(VRP)は、最も集中的に研究された最適化問題の1つです。 現実世界のVRPアプリケーションにまつわる複雑さや不確実性、ダイナミクスに対処するために、機械学習(ML)手法が使われている。 本稿では,VRP問題に対処する上で,解析手法とMLツールを組み合わせたハイブリッド手法の総合的なレビューを行う。
  論文  参考訳（メタデータ） (2021-02-19T16:26:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。