論文の概要: Towards Efficient Constraint Handling in Neural Solvers for Routing Problems

• arxiv url: http://arxiv.org/abs/2602.16012v1
• Date: Tue, 17 Feb 2026 21:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.437735
• Title: Towards Efficient Constraint Handling in Neural Solvers for Routing Problems
• Title（参考訳）: ルーティング問題に対するニューラルネットワークの効率的な制約処理に向けて
• Authors: Jieyi Bi, Zhiguang Cao, Jianan Zhou, Wen Song, Yaoxin Wu, Jie Zhang, Yining Ma, Cathy Wu,
• Abstract要約: ニューラル・ルーティング・ソルバのための汎用的で効率的な制約処理フレームワークであるConstruct-and-Refineを提案する。 CaRは古典的およびニューラル・オブ・ザ・テク的解法と比較して、実現可能性、ソリューション品質、効率性が優れている。
• 参考スコア（独自算出の注目度）: 53.35866378109893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural solvers have achieved impressive progress in addressing simple routing problems, particularly excelling in computational efficiency. However, their advantages under complex constraints remain nascent, for which current constraint-handling schemes via feasibility masking or implicit feasibility awareness can be inefficient or inapplicable for hard constraints. In this paper, we present Construct-and-Refine (CaR), the first general and efficient constraint-handling framework for neural routing solvers based on explicit learning-based feasibility refinement. Unlike prior construction-search hybrids that target reducing optimality gaps through heavy improvements yet still struggle with hard constraints, CaR achieves efficient constraint handling by designing a joint training framework that guides the construction module to generate diverse and high-quality solutions well-suited for a lightweight improvement process, e.g., 10 steps versus 5k steps in prior work. Moreover, CaR presents the first use of construction-improvement-shared representation, enabling potential knowledge sharing across paradigms by unifying the encoder, especially in more complex constrained scenarios. We evaluate CaR on typical hard routing constraints to showcase its broader applicability. Results demonstrate that CaR achieves superior feasibility, solution quality, and efficiency compared to both classical and neural state-of-the-art solvers.
• Abstract（参考訳）: ニューラルネットワークは、単純なルーティング問題、特に計算効率に優れた問題に対処する上で、驚くべき進歩を遂げている。 しかし、複雑な制約の下での彼らの優位性は未熟であり、現在の制約処理スキームは、実現可能性マスキングや暗黙的な実現可能性認識を通じて非効率またはハード制約に適用可能である。 本稿では、明示的な学習に基づく実現可能性向上に基づくニューラルネットワーク解決のための、最初の汎用的で効率的な制約処理フレームワークであるConstruct-and-Refine(CaR)を提案する。 過度な改善によって最適性ギャップを減らそうとする従来の建設-調査ハイブリッドとは異なり、CaRは、建設モジュールが軽量な改善プロセスに適した多種多様な高品質のソリューションを生成するように誘導する共同トレーニングフレームワークを設計することで、効率的な制約処理を実現している。 さらに、CaRは、特により複雑な制約のあるシナリオにおいて、エンコーダを統合することによって、パラダイム間の潜在的な知識共有を可能にする、構築改善共有表現の最初の使用を示す。 我々はCaRを一般的なハードルーティング制約で評価し、その適用性を示す。 その結果, 古典的, ニューラル・オブ・ザ・テク的解法と比較して, CaRは実現可能性, ソリューション品質, 効率に優れていた。

関連論文リスト

• Learning to Insert for Constructive Neural Vehicle Routing Solver [22.12530098182891]
  建設的NCOの学習手法として,挿入型パラダイム(L2C-Insert)を用いた構築学習を提案する。 従来のアプローチとは異なり、L2C-Insertは、現在の部分解の任意の有効な位置において、意図しないノードを戦略的に挿入することで、ソリューションを構築する。 トラベリングセールスマン問題 (TSP) とキャパシタント車両ルーティング問題 (CVRP) の総合的および実世界の事例において、L2C-Insert が一貫して優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-05-20T04:10:50Z)
• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• Towards Constraint-Based Adaptive Hypergraph Learning for Solving Vehicle Routing: An End-to-End Solution [4.965709007367529]
  車両の経路問題は、広大な解空間と複雑な制約によって特徴づけられる。 本研究では,制約指向のハイパーグラフと強化学習を組み合わせた新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T14:42:44Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
  本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。 我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。 提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-14T21:54:31Z)

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。