論文の概要: Adversarial Generative Flow Network for Solving Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2503.01931v1
• Date: Mon, 03 Mar 2025 03:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:42.824805
• Title: Adversarial Generative Flow Network for Solving Vehicle Routing Problems
• Title（参考訳）: 車両経路問題の解法における逆生成フローネットワーク
• Authors: Ni Zhang, Jingfeng Yang, Zhiguang Cao, Xu Chi,
• Abstract要約: 我々はTransformerベースのアプローチを超えた新しいフレームワーク、すなわちAdversarial Generative Flow Networks (AGFN)を導入する。 AGFNは生成フローネットワーク(GFlowNet)を統合し、様々なソリューション(ルート)を生成できる確率モデルである。 我々は、AGFNフレームワークを用いて、容量化車両ルーティング問題(CVRP)とトラベリングセールスマン問題(TSP)を解決する。
• 参考スコア（独自算出の注目度）: 29.954688883643538
• License:
• Abstract: Recent research into solving vehicle routing problems (VRPs) has gained significant traction, particularly through the application of deep (reinforcement) learning for end-to-end solution construction. However, many current construction-based neural solvers predominantly utilize Transformer architectures, which can face scalability challenges and struggle to produce diverse solutions. To address these limitations, we introduce a novel framework beyond Transformer-based approaches, i.e., Adversarial Generative Flow Networks (AGFN). This framework integrates the generative flow network (GFlowNet)-a probabilistic model inherently adept at generating diverse solutions (routes)-with a complementary model for discriminating (or evaluating) the solutions. These models are trained alternately in an adversarial manner to improve the overall solution quality, followed by a proposed hybrid decoding method to construct the solution. We apply the AGFN framework to solve the capacitated vehicle routing problem (CVRP) and travelling salesman problem (TSP), and our experimental results demonstrate that AGFN surpasses the popular construction-based neural solvers, showcasing strong generalization capabilities on synthetic and real-world benchmark instances.
• Abstract（参考訳）: 車両ルーティング問題(VRP)の解決に関する最近の研究は、特にエンドツーエンドのソリューション構築に深層(強化)学習を適用することで、大きな注目を集めている。 しかし、現在の構築ベースのニューラルソルバの多くはTransformerアーキテクチャを主に利用しており、スケーラビリティの課題に直面し、多様なソリューションを生み出すのに苦労する可能性がある。 これらの制約に対処するため,Transformer ベースのアプローチ,すなわち Adversarial Generative Flow Networks (AGFN) 以外の新しいフレームワークを導入する。 このフレームワークは、生成フローネットワーク(GFlowNet)、つまり、様々なソリューション(ルート)を生成できる確率モデルと、ソリューションを識別(または評価)するための補完モデルを統合する。 これらのモデルは、全体的なソリューション品質を改善するために、対角的に交互に訓練され、続いて、ソリューションを構築するためのハイブリッドデコード手法が提案されている。 AGFNフレームワークをCVRP(Capacitated Vehicle routing problem)とトラベリングセールスマン問題(TSP)に応用し、AGFNが一般的な構築ベースニューラルネットワークを超え、合成および実世界のベンチマークインスタンス上で強力な一般化能力を示すことを示す実験結果を得た。

関連論文リスト

• Neural Deconstruction Search for Vehicle Routing Problems [6.6401567070583]
  本稿では,ニューラルネットワークによって解を分解する反復探索フレームワークを提案する。 本手法は,3つの課題のある車両ルーティング問題に対して,最先端の運用研究手法の性能を超越した手法である。
  論文  参考訳（メタデータ） (2025-01-07T11:44:25Z)
• Liner Shipping Network Design with Reinforcement Learning [1.833650794546064]
  本稿では,Liner Shipping Network Design Problem (LSNDP) に対処する新しい強化学習フレームワークを提案する。 提案手法では,ALIBをベースとしたマルチコモディティ・フロー・ソルバと統合したモデルレス強化学習アルゴリズムをネットワーク設計に適用する。
  論文  参考訳（メタデータ） (2024-11-13T22:49:16Z)
• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• Instance-Conditioned Adaptation for Large-scale Generalization of Neural Combinatorial Optimization [15.842155380912002]
  本研究は,ニューラル最適化の大規模一般化のための新しいインスタンス・コンディション適応モデル(ICAM)を提案する。 特に,NCOモデルのための強力なインスタンス条件付きルーティング適応モジュールを設計する。 我々は,ラベル付き最適解を使わずに,モデルがクロススケールな特徴を学習することのできる,効率的な3段階強化学習ベーストレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-03T08:00:19Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems [20.684353068460375]
  車両の経路決定が高次決定と連動する場合、結果の最適化問題は計算に重大な課題をもたらす。 本稿では,ニューラルコスト予測器を用いた遺伝的アルゴリズム(GANCP)という,ディープラーニングに基づく新しいアプローチを提案する。 特に,提案するニューラルネットワークは,静電容量化車両ルーティング問題を解決するHGS-CVRPオープンソースパッケージの目的値について学習する。
  論文  参考訳（メタデータ） (2023-10-22T02:46:37Z)
• Combinatorial Optimization enriched Machine Learning to solve the Dynamic Vehicle Routing Problem with Time Windows [5.4807970361321585]
  最適化層を組み込んだ新しい機械学習パイプラインを提案する。 最近,EURO Meets NeurIPS Competition at NeurIPS 2022において,このパイプラインを波による動的車両ルーティング問題に適用した。 提案手法は,提案した動的車両経路問題の解法において,他の全ての手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-03T08:23:09Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• Deep Policy Dynamic Programming for Vehicle Routing Problems [89.96386273895985]
  本稿では,学習ニューラルの強みと動的プログラミングアルゴリズムの強みを組み合わせた深層ポリシー動的プログラミング(d pdp)を提案する。 D PDPは、例の解からエッジを予測するために訓練されたディープニューラルネットワークから派生したポリシーを使用して、DP状態空間を優先し、制限する。 本研究では,旅行セールスマン問題 (TSP) と車両ルーティング問題 (VRP) の枠組みを評価し,ニューラルネットワークが(制限された)DPアルゴリズムの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2021-02-23T15:33:57Z)

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。