論文の概要: TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems

• arxiv url: http://arxiv.org/abs/2503.12662v3
• Date: Wed, 29 Oct 2025 14:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:42.994183
• Title: TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems
• Title（参考訳）: TuneNSearch:ハイブリッドトランスファー学習とローカル検索による車両ルーティング問題の解法
• Authors: Arthur Corrêa, Cristóvão Silva, Liming Xu, Alexandra Brintrup, Samuel Moniz,
• Abstract要約: TuneNSearchは、多種多様な車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習と局所探索アプローチである。 提案手法は,効率的な局所探索法により改良された高品質な解を生成するために強化学習を用いる。
• 参考スコア（独自算出の注目度）: 44.035549471545586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces TuneNSearch, a hybrid transfer learning and local search approach for addressing diverse variants of the vehicle routing problem (VRP). Our method uses reinforcement learning to generate high-quality solutions, which are subsequently refined by an efficient local search procedure. To ensure broad adaptability across VRP variants, TuneNSearch begins with a pre-training phase on the multi-depot VRP (MDVRP), followed by a fine-tuning phase to adapt it to other problem formulations. The learning phase utilizes a Transformer-based architecture enhanced with edge-aware attention, which integrates edge distances directly into the attention mechanism to better capture spatial relationships inherent to routing problems. We show that the pre-trained model generalizes effectively to single-depot variants, achieving performance comparable to models trained specifically on single-depot instances. Simultaneously, it maintains strong performance on multi-depot variants, an ability that models pre-trained solely on single-depot problems lack. For example, on 100-node instances of multi-depot variants, TuneNSearch outperforms a model pre-trained on the CVRP by 44%. In contrast, on 100-node instances of single-depot variants, TuneNSearch performs similar to the CVRP model. To validate the effectiveness of our method, we conduct extensive computational experiments on public benchmark and randomly generated instances. Across multiple CVRPLIB datasets, TuneNSearch consistently achieves performance deviations of less than 3% from the best-known solutions in the literature, compared to 6-25% for other neural-based models, depending on problem complexity. Overall, our approach demonstrates strong generalization to different problem sizes, instance distributions, and VRP formulations, while maintaining polynomial runtime complexity despite the integration of the local search algorithm.
• Abstract（参考訳）: 本稿では,多種多様な車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習と局所探索手法であるTuneNSearchを紹介する。 提案手法は強化学習を用いて高品質な解を生成する。 TuneNSearchは、多目的VRP(MDVRP)の事前トレーニングフェーズから始まり、その後、他の問題の定式化に適応するための微調整フェーズで、VRPの幅広い適応性を保証する。 学習フェーズでは、エッジ対応の注意を付加したTransformerベースのアーキテクチャを活用し、エッジ距離を直接アテンションメカニズムに統合することで、ルーティング問題固有の空間的関係をよりよく捉える。 事前学習モデルでは,単一デポのインスタンスに特化して訓練されたモデルに匹敵する性能を達成し,単一デポの変種を効果的に一般化することを示す。 同時に、シングル・デポの問題のみに基づいて事前訓練されたモデルが欠如しているマルチ・デポの変種に対して、強力な性能を維持している。 例えば、マルチリポジトリの100ノードインスタンスでは、TuneNSearchがCVRPで事前トレーニングされたモデルを44%上回っている。 対照的に、シングルリポジトリの100ノードインスタンスでは、TuneNSearchはCVRPモデルと同じようなパフォーマンスを示している。 提案手法の有効性を検証するため,パブリックベンチマークとランダムに生成されたインスタンスに対して,広範な計算実験を行った。 複数のCVRPLIBデータセット全体で、TuneNSearchは、文学で最もよく知られているソリューションから3%未満のパフォーマンス偏差を一貫して達成している。 提案手法は, 局所探索アルゴリズムの統合にもかかわらず, 多項式ランタイムの複雑性を維持しつつ, 問題サイズ, インスタンス分布, およびVRPの定式化を強く一般化する。

関連論文リスト

• Improving Generalization of Neural Combinatorial Optimization for Vehicle Routing Problems via Test-Time Projection Learning [3.0711362702464684]
  我々は,Large Language Models (LLM) による新しい学習フレームワークを導入する。 ニューラルネットワークとのジョイントトレーニングを必要とする一般的なテクニックとは異なり、我々のアプローチは推論フェーズでのみ動作する。 提案手法により,100ノード以上の大規模トラベリングセールスマン問題(TSP)と最大100Kノードのキャパシタン化車両ルーティング問題(CVRP)において,バックボーンモデル(100ノードインスタンスでトレーニング)が優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-06-03T03:15:22Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [55.78505925402658]
  車両ルーティング問題(VRP)は、トラベリングセールスパーソン問題の延長であり、進化的最適化における基本的なNPハードチャレンジである。 遺伝的アルゴリズムによってさらに最適化された初期解を迅速に生成するために、強化学習エージェント(事前インスタンスで訓練された)を使用した新しい最適化フレームワークを導入する。 例えば、EARLIは1秒以内に500カ所の車両ルーティングを処理し、同じソリューション品質の現在のソルバよりも10倍高速で、リアルタイムやインタラクティブなルーティングのようなアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
  我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。 画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
  論文  参考訳（メタデータ） (2024-12-19T18:58:14Z)
• RouteFinder: Towards Foundation Models for Vehicle Routing Problems [21.3310292139361]
  RouteFinderは、異なる車両ルーティング問題(VRP)に対処するための総合的な基盤モデルフレームワークである。 属性の組み合わせを効率的に処理できる統合VRP環境を提案する。 48種類のVRPでの実験では、RouteFinderは最近の最先端の学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-21T09:34:26Z)
• Prompt Learning for Generalized Vehicle Routing [17.424910810870273]
  本研究は, クロスディストリビューション適応のためのニューラル最適化において, 効率的なプロンプト学習手法について検討する。 提案モデルでは, 各種分布の一連のプロンプトを学習し, 最良適合のプロンプトを選択し, 各問題インスタンスに対して事前学習したアテンションモデルを提案する。 また、分散予測とゼロショット一般化の両方において、既存の一般化されたモデルよりも、多様な新しいタスクセットに優れる。
  論文  参考訳（メタデータ） (2024-05-20T15:42:23Z)
• Cross-Problem Learning for Solving Vehicle Routing Problems [24.212686893913826]
  既存のニューラルネットワークは、特定の車両ルーティング問題(VRP)に対して、スクラッチから深いアーキテクチャを訓練することが多い。 本稿では,異なる下流VRP変種に対するトレーニングを実証的に支援するクロスプロブレム学習を提案する。
  論文  参考訳（メタデータ） (2024-04-17T18:17:50Z)
• Multi-Task Learning for Routing Problem with Cross-Problem Zero-Shot Generalization [18.298695520665348]
  車両ルーティング問題(VRP)は多くの現実世界のアプリケーションで見られる。 本研究では,クロスプロブレム一般化という重要な課題に取り組むための最初の試みを行う。 提案モデルでは、ゼロショットの一般化方式で、見当たらない属性の組み合わせでVRPを解くことができる。
  論文  参考訳（メタデータ） (2024-02-23T13:25:23Z)
• Towards Omni-generalizable Neural Methods for Vehicle Routing Problems [14.210085924625705]
  本稿では,VRPにおけるサイズと分布の両面での一般化を考慮した,挑戦的かつ現実的な設定について検討する。 提案するメタラーニングフレームワークは,推論中に新しいタスクに迅速に適応する能力を持つモデルを効果的に学習することを可能にする。
  論文  参考訳（メタデータ） (2023-05-31T06:14:34Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• 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)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。