論文の概要: Hybrid-Balance GFlowNet for Solving Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2510.04792v1
• Date: Mon, 06 Oct 2025 13:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.875633
• Title: Hybrid-Balance GFlowNet for Solving Vehicle Routing Problems
• Title（参考訳）: ハイブリッドバランGFlowNetによる車両ルーティング問題の解法
• Authors: Ni Zhang, Zhiguang Cao,
• Abstract要約: 車両ルーティング問題に対するHBG(Hybrid-Balance GFlowNet)フレームワークを提案する。 HBGはTrajectory Balance (TB) とDetailed Balance (DB) を原則的かつ適応的な方法で一意に統合する。 CVRP(Capacitated Vehicle Routing Problem)とトラベリングセールスマン問題(TSP)の双方で一貫した重要な改善を実証する。
• 参考スコア（独自算出の注目度）: 42.6113839285038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing GFlowNet-based methods for vehicle routing problems (VRPs) typically employ Trajectory Balance (TB) to achieve global optimization but often neglect important aspects of local optimization. While Detailed Balance (DB) addresses local optimization more effectively, it alone falls short in solving VRPs, which inherently require holistic trajectory optimization. To address these limitations, we introduce the Hybrid-Balance GFlowNet (HBG) framework, which uniquely integrates TB and DB in a principled and adaptive manner by aligning their intrinsically complementary strengths. Additionally, we propose a specialized inference strategy for depot-centric scenarios like the Capacitated Vehicle Routing Problem (CVRP), leveraging the depot node's greater flexibility in selecting successors. Despite this specialization, HBG maintains broad applicability, extending effectively to problems without explicit depots, such as the Traveling Salesman Problem (TSP). We evaluate HBG by integrating it into two established GFlowNet-based solvers, i.e., AGFN and GFACS, and demonstrate consistent and significant improvements across both CVRP and TSP, underscoring the enhanced solution quality and generalization afforded by our approach.
• Abstract（参考訳）: 既存のGFlowNetベースの車両ルーティング問題(VRP)の手法では、グローバルな最適化を実現するためにトラジェクトリ・バランス(TB)が使用されるが、しばしば局所的な最適化の重要な側面を無視する。 Detailed Balance(DB)は局所的な最適化をより効果的に扱うが、本質的には全体論的軌道最適化を必要とするVRPの解決には不足している。 これらの制約に対処するため,本研究では,TBとDBを本質的な相補的強みを整合させることにより,原則的かつ適応的に一意に統合するHBGフレームワークを紹介する。 さらに,キャパシタド・カー・ルーティング問題 (CVRP) のようなデポ中心のシナリオに対する特別な推論戦略を提案し,デポノードの柔軟性を活用して後継機を選択する。 この特化にもかかわらず、HBGは幅広い適用性を維持しており、トラベルセールスマン問題(TSP)のような明確な補給所のない問題に効果的に拡張している。 我々は,HBGを2つの確立されたGFlowNetベースの解法,すなわち AGFN と GFACS に統合することにより評価し,CVRP と TSP の双方で一貫した,重要な改善を実証し,提案手法によって得られるソリューション品質と一般化の強化を実証した。

関連論文リスト

• Hybrid Node-Destroyer Model with Large Neighborhood Search for Solving the Capacitated Vehicle Routing Problem [1.9573380763700716]
  本稿ではメタヒューリスティックアルゴリズムの性能向上を目的とした反復学習ハイブリッド最適化手法を提案する。 提案手法は, 演算複雑性を低減し, 最適化プロセスに関わる探索空間を縮小する。
  論文  参考訳（メタデータ） (2025-08-12T05:56:13Z)
• VAGPO: Vision-augmented Asymmetric Group Preference Optimization for the Routing Problems [2.150410718150006]
  ルーティング問題の解法として,視覚拡張型非対称グループ優先最適化(VAGPO)を提案する。 ResNetベースのビジュアルエンコーディングとTransformerベースのシーケンシャルモデリングを活用することで、VAGPOは空間構造と時間的依存関係の両方をキャプチャする。 実験結果から,提案したVAGPOは競争力の高いソリューション品質を実現するだけでなく,再学習なしに大規模インスタンスに強力な一般化を示すことがわかった。
  論文  参考訳（メタデータ） (2025-08-03T14:19:12Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• CVaR-Based Variational Quantum Optimization for User Association in Handoff-Aware Vehicular Networks [23.140655547353994]
  本稿では、車両ネットワーク(VNet)における一般化代入問題(GAP)に対処するための、CVaRに基づく変動量子固有解法(VQE)フレームワークを提案する。 提案手法は, 目的と制約固有のペナルティのバランスを保ち, 解の質と安定性を向上させるために, 調整されたコスト関数を統合するハイブリッド量子古典構造を利用する。 本稿では,この枠組みを,ディープニューラルネットワーク(DNN)アプローチと比較して23.5%改善したVNetのユーザ連想問題に適用する。
  論文  参考訳（メタデータ） (2025-01-14T20:21:06Z)
• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Enhancing Column Generation by Reinforcement Learning-Based Hyper-Heuristic for Vehicle Routing and Scheduling Problems [9.203492057735074]
  カラム生成(CG)は変数を動的に生成することで大規模問題を解決する重要な手法である。 CGの性能を高めるために,RLHHと呼ばれる強化学習に基づく超ヒューリスティックフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-15T00:05:50Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。